创业 on 方糖猫Blog

见几而作，知时而动

Tue, 08 Sep 2026 12:00:00 +0800

见几而作，知时而动

见几而作，知时而动。

内功篇《此心不息，万物常新》管「怎么做对」——看见、提问、理解、行动、反馈、沉淀，让环转起来。外功篇《知止有定，能择其要》管「力气往哪投」——把能力练成资产。

但这两篇都回答不了另一个问题：往哪走。

就业方向怎么选？要不要换行？创业机会从哪找？一件事要不要继续做？——环转得再快，方向错了，只是错得更快。

本篇管这个。它是一篇关于选择的方法论，写给迷茫的时候用。

题眼出自《系辞》，但易经在本文只是注脚，不占卦、不展开。真正的骨架是《实践论》，因为：

方向选择不是一个决策问题，是一个认识论问题——不是「选哪个」的问题，是「你凭什么知道自己选对了」的问题。

认识论，研究的是人怎样认识世界、怎样才算真正知道了一件事。这种问题，归《实践论》管。

为什么需要单独一篇？因为方向问题恰好躺在闭环的边界上。所谓闭环，是内功篇里那个「看见、提问、理解、行动、反馈、沉淀」的环——它擅长在行动中小步纠错，前提是反馈来得快。而方向问题偏偏反馈来得太晚、选择半不可逆（进去的成本高，出来的成本更高，但还不是完全退不出来）、几个目标互相打架。我最近几年在职业方向、创业机会、口播做不做之间反复纠结，试过用环解决，发现环在空转——轮子转得飞快，车没有前进。那是「选哪座山」的问题，我却把它交给了「怎么登山」的工具。

迷茫的力学解释：不是选项太多，是你在用处理方案的方法，处理方向。

认识论问题怎么办？《实践论》说：认识从实践来，回实践去验证，「实践、认识、再实践、再认识，循环往复以至无穷」。把它落到方向选择上，就是本文的流程：先用可逆性分流——选错了能退回来的事，直接试；退不回来的事，才值得认真选。真正要花力气的是中间四拍——锚定、调查、判断、下注；最后由验证把选择接回闭环，重新进入「行动、反馈、更新」的日常。

题眼的四个字，也对应这条线：见几，是在信号微弱处读现实（调查与验证）；知时，是看清自己站在什么位置、现在该不该动（判断与下注）。

一、先分流：选错了，还能退回来吗？

拿到一个方向问题，第一件事不是想，是分流——像医院的分诊台，先判断这件事该走哪条通道，再决定为它花多少心思。

通道按「可逆性」分三条。可逆，是选错了能退回来，代价小；半不可逆，是退得回来，但要脱一层皮；不可逆，是没有回头路。用程序员的话说：可逆选择像改配置，半不可逆选择像换数据库，不可逆选择像删库——三种操作，本来就不该走同一个审批流程。但很多迷茫，恰恰来自拿删库的审批标准，去折磨一个改配置的操作。

flowchart TD
    Q{"这个选择可逆吗？"} -->|"可逆"| A["交给闭环<br/>小步试错，数据说话"]
    Q -->|"半不可逆"| B["进入主线<br/>锚定 → 调查 → 判断 → 下注 → 验证"]
    Q -->|"不可逆"| C["更慢，更深<br/>锚和调查的标准上调一档"]

拿我自己的问题过一遍：

「口播做什么方向」——可逆。各做五期，看完播率和关注转化，数据说话。这种选择不配占用深思熟虑，它归内功篇的闭环管。

「要不要换行、要不要创业」——半不可逆。进去的成本高，出来的成本更高，但存在退出路径。这是本文主要处理的一类。

「结婚、生育」——不可逆。不是不能选，是锚和调查的标准要上调一档。

很多方向焦虑，会在这一步自动降级。

因为你会发现，自己花几个月纠结的很多问题，其实只要花几周去试。分流分错的代价是双倍的：可逆的事想太久，是浪费；不可逆的事试太快，是赌博。

二、锚定：你拒绝用什么交换？

通过分流的选择，进入这条流程的第一拍：锚定。

没有选择标准，所有方向看起来都一样好，或者一样坏——这才是大多数迷茫的真实结构。锚，就是你的选择标准。

换个更狠的说法：锚不是你想要什么，而是你拒绝用什么交换。

「我要高收入」「我要成长」「我要自由」，都是想要，想要可以无限多。真正的锚长这样：我不拿健康换钱；我不拿长期能力换短期工资；我不拿自主权换一个名义上的稳定。

程序员对这东西其实不陌生：锚就是人生系统的约束条件（constraint）。 不定义约束的优化问题没有解——目标函数随便换，求解器当然永远在给不同的答案。

吴军在《见识》里讨论第一份工作时给过一个判据：不要太在乎起薪，要在乎它让你五年后成为谁——起薪是变量，「成为谁」是锚。

两条纪律：

锚要写下来。 存在脑子里的锚会随情绪浮动：今天「成长最重要」，连续加班三个月，就变成「清闲最重要」。

锚不超过三条。 什么都想要的人，不是锚多，是没有锚——那是一张欲望清单。定锚这个动作本身就包含取舍：写下锚的同时，写下「为了它，我可以放弃什么」。

易经在这里只出现一次，作注脚。《易纬》说易有三义：变易、不易、简易。我的取用——这是我的借用，不是训诂——是前两个：变易说选择没有一劳永逸，今天的正确答案明天可能变成障碍（第六章展开）；不易说变化之下有不能动的东西，那就是锚。

变的是方向，不变的是锚。先钉锚，再谈选。

三、调查：方向是调查出来的

锚定了，接下来是最容易被跳过的一步：调查。

《反对本本主义》开篇就是那句狠话：

没有调查，没有发言权。

迷茫的人有一个共同动作：在脑子里调查。 躺在床上想三个月，收藏一百篇行业分析，刷两百条过来人视频——这不叫调查，这叫消费别人的结论。认识只能从实践中来；二手结论是别人的认识，不是你的。

先把话说清楚：这里说的「调查」，不是查资料，而是主动从现实里拿一手信息——问人、看行为、做实验、收数据。 方向层面的调查，我只用三层：

第一层：找一手信息，找正在做的人，不找围观的人。 职业迷茫，去找三个在目标方向干了五年以上的人，问具体的：典型的一天怎么过？钱从哪个环节来？这个行业的人通常因为什么被淘汰？创业找机会，去找真实用户，聊他现在的解决方案有多烂——不找朋友聊你的想法。朋友会礼貌，用户的钱包不会。

第二层：最小成本亲自试。 调查不只是问，还包括试。想验证一个口播方向，各做五期；想验证一个创业想法，先收一笔钱再写代码——内功篇里那个教训仍然有效：访谈十个人，只有一个人愿意持续使用。「感兴趣」不等于「愿意付出成本」。

但行为也不是圣旨：付费可能是冲动，点赞的人可能明年才转化，猎头的电话不代表方向适合你。所以这一层真正的纪律是：

语言提供假设，行为提供证据，重复行为才开始接近结论。

第三层：看真信号，不看虚荣信号。 真信号是留存（用了还会再来）、复购（买了还会再买）、付费意愿、猎头主动接触的频率；虚荣信号是点赞、夸奖、「大家觉得不错」。虚荣信号的问题不是不准，是它会喂大你希望为真的那个解释——回到内功篇的原则：审视自己为什么希望这个解释成立。

易经在这里再出现一次，还是注脚。《系辞》说：「几者动之微，吉之先见者也。」信号要在微弱的时候读——等一个方向上了热搜、人人都在讨论，这份共识早已计进它的「价格」，轮到你的只剩下拥挤。

方向不是想出来的，是调查出来的。

四、判断：我现在的主要矛盾是什么？

调查拿回来的是材料，不是答案。材料要加工。

《实践论》给了十六个字的加工法：去粗取精、去伪存真、由此及彼、由表及里。 落到方向选择上，加工的核心动作是《矛盾论》的那一招：在乱成一团的材料里，找出主要矛盾——那个一旦解决、其他问题都跟着松动的问题。

注意，主要矛盾不是「我最缺什么」。缺的东西可能有好几样，主要矛盾只能有一个。

对应到个人处境，常见的是三种：

缺能力是主要矛盾时，优先级自然向成长最快的环境倾斜，而不是出价最高的环境；
缺资金是主要矛盾时，优先级自然向现金流倾斜，活下来优先于理想；
缺机会是主要矛盾时，优先级自然向杠杆最大的位置倾斜——同样的力气，先让更多人看见你。

没有「正确的选择」，只有「对准当前主要矛盾的选择」。不问处境就谈选择，是一切「过来人建议」的共同缺陷——建议者的主要矛盾，大概率不是你的。

易经最后一次出现，仍然是注脚：这就是时位。同样一个「跳」，《乾》卦里「或跃在渊」和「亢龙有悔」的区别，不在动作，在位置。动作没有对错，位置才有。

没有对准主要矛盾的努力，只是忙碌。

五、下注：选择意味着放弃

材料加工完，判断做完了，剩下的是整个流程里最短、也最难的一步：下注——信息不全，也要把行动押上去。

难，是因为信息永远不完备。调查有尽头，分析有尽头，而「再想清楚一点」没有尽头。《实践论》把这件事说得很干脆：认识有两次飞跃，从实践到认识是第一次，从认识回到实践是第二次，而且第二次更重要。 前四步完成第一次飞跃，这一步是第二次——判断做得再好，不落回行动，等于没有判断。

不完备里怎么落子？我只留两个动作。

先排除必死选项，再选值得下注的。 这是芒格的逆向思维——「反过来想，总是反过来想」：与其找最好的选择，不如先排除必死的。多数选项不值得比较，值得先排除：现金流必断的、能力圈外的、要你自欺的。排完剩下的，通常不超过两个。

不追求这次选对，追求让自己长期站在正期望的一侧。 「正期望」是个数学词，意思很朴素：同一类选择重复足够多次，平均下来是赚的。为什么只能管到这一层？因为方向选择样本太少——一辈子也遇不上几次——周期又长，「这次一定对」本来就是幻觉。单次的结果管不了，能管理的只有平均结果的方向。

两个动作用完，剩下的部分没有工具，只有承担：方向层的决策永远没有足够数据支撑，最终要靠一点信念，和扛住它的耐心。

然后是这一步的本质：选择意味着放弃。 你可以得到你想要的几乎任何东西，但得不到你想要的所有东西。选定一个方向，就明确写下你放弃了什么——不写下来，你很容易假装自己什么都没放弃。写下来的放弃，才是你真正承认的机会成本：选了它，就再也要不到的那些。

结构看清楚之后，剩下的是承担，不是求签。这就叫善为易者不占。

方向层没有「确定正确」的答案，只有在当下信息下，值得下注的假设。

六、验证：决定是假设，不是判决

下注不是终点。落子的那一刻，选择的性质变了：从纠结的对象，变成待验证的假设。

接下来它归内功篇的闭环管——行动、反馈、更新。换句话说，本文的流程不是直线，是一个更大的环，内功篇的行动环就嵌在它的最后一步里：

flowchart LR
    A["分流"] --> B["锚定"] --> C["调查"] --> D["判断"] --> E["下注"] --> F["验证"]
    F -->|"信号符合假设"| G["行动环日常运转<br/>看见·提问·理解·行动·反馈·沉淀"]
    F -->|"信号偏离假设"| D

这个「选完再验证」的结构，在不同领域被独立发现过很多次：飞行员的 OODA（观察、判断、决策、行动，循环往复）、《精益创业》的 build-measure-learn（做出来、量一量、学一学）、AI Agent 的 ReAct（边推理边行动），本质都在处理同一个问题——在不确定的环境里行动，再根据反馈修正。任何在变化中行动的体系，最后都得长这个样子。

所以这套方法真正教的，不是「怎么做出一次正确的选择」，而是：

怎么建立一个不会因为一次选择错误就崩掉的人生系统。

验证要有效，下注当天就要写好四样东西：

验证哪个假设。 一句话写死，比如「这个口播方向在目标人群里有付费意愿」。假设写不具体，后面的指标全是装饰。

什么信号支持它。 口播看完播率和关注转化，不看点赞；创业看付费意愿，不看夸奖——标准在第三章定过，不要到验证时偷偷换成让自己舒服的指标。

多久看一次。 三个月还是半年，事先定下来。没有周期的验证等于没有验证，人会无限期地等一个支持自己的数据点。

什么结果算选错。 证伪条件必须事先写下——事后你一定找得到理由，这是内功篇反复讲的人性。写下来，就是让当时的自己监督以后的自己。达利欧在《原则》里用的就是这一招：决策和理由当场写下来、定期检验，他的「原则」就是这么攒出来的。

验证之后，两个动作都合法：坚持，或转型。 精益创业把这叫 persevere 或 pivot——转型不是失败，是换掉假设、保留认知。你的「跑道」——弹尽粮绝之前还剩多少余地——也不只用钱算，用「还能转型几次」算：钱花完之前假设换了三轮，每一轮都比上一轮准，这条路就还活着。

最后记住《矛盾论》的提醒：决策自带保质期。 主要矛盾会转化——缺能力时押对了成长，两年后可能现金流成了主要矛盾，当初正确的选择就变成今天的障碍。所以第八章的检查卡要定期重答，我的节奏是半年一次。不是答一次，管一辈子。

一选定终身是迷信，选择即假设才是工程。

七、一个完整案例：我自己怎么跑这张卡

道理需要抵押品。拿我自己正在纠结的问题完整跑一遍：该全力以赴找工作，还是继续押注 AI 加内容这条「一人公司」（一个人经营的生意）的路？

① 可逆性。 先说一个发现：这不是一道二选一的删库题。找工作和做内容不是互斥开关，是比例和期限问题。真正不可逆的不是「选哪个」，是「两边耗着、什么都不押」。问题立刻从「选 A 还是选 B」降级成「设计一个带期限的组合」。

② 锚。 三条。不拿健康换钱；不拿长期能力换短期工资；内容这条线不断——它不是单纯的副业，同时承担我的长期品牌、客户入口和产品验证三件事，断了就很难再接上。用外功篇的话说，它是资产，不是开销。

③ 现实。 找工作这边的调查是一手的：投简历、面试、和圈内人聊目标岗位的真实日常与淘汰原因；内容这边的调查也是一手的：各方向各做几期，看完播和关注转化，不看点赞；创业想法只问一个问题：有没有人愿意先付钱。

④ 主要矛盾。 我现阶段缺的东西有两样：现金流和时间。哪个是主要矛盾？看连锁反应：现金流解决了，时间压力跟着下降，内容和产品实验反而获得更多空间；反过来，时间增加了、现金流没解决，焦虑原封不动。能带动其他问题一起松动的是现金流，所以它是主要矛盾，优先级向它倾斜。

⑤ 假设。 押注一个阶段性组合：主线恢复现金流，副线保留内容与产品实验。期限三个月。

⑥ 放弃。 写下来：放弃「立刻全身心投入一人公司」的想象，换取现金流的确定性；放弃「彻底打工、关掉实验」的安稳，换取副线的存活。两头都放弃了东西，这才叫选择。

⑦ 证伪。 事先写好：内容副线三个月内没有任何付费信号，就降级为纯爱好，不再占用做决定的精力；现金流主线三个月没有实质进展，就换一档目标，而不是加码焦虑。到期重答这张卡。

跑完一遍你会发现：答案未必更乐观，但纠结消失了——问题从「我该怎么办」变成了「我在验证什么」。

迷茫是弥散的，假设是具体的。把迷茫改写成假设，是这套方法唯一真正的魔术。

八、落地：方向选择检查卡

道理说完了，剩下一张卡。上一章已经完整跑过一遍，这里是空白模板，可以直接复制去用：

方向选择检查卡

① 可逆性：这是一个需要想清楚的选择，还是一个应该直接试的选择？
② 锚：我不能拿什么交换？
③ 现实：我调查过谁？我看到过什么真实行为？
④ 主要矛盾：我现在真正缺什么？解决哪个，其他问题会一起松动？
⑤ 假设：我准备押注什么？期限多久？
⑥ 放弃：为此，我明确放弃什么？
⑦ 证伪：什么结果出现，我会承认自己错了？什么时候重答这张卡？

然后，和内功篇一样的两个字：

写下来。

九、边界：这套方法什么时候失效

老规矩，给它设几个边界：

第一，判断本身会错。 你对主要矛盾的判断也是假设，不是事实——所以第六章存在。把「判断」当成一劳永逸的结论，是这套方法最常见的死法。

第二，调查有幸存者偏差。 这个词说的是：你聊得到的人，都是活下来的人；失败者的信息密度更高，只是他们沉默。对策是刻意的：每聊三个做成的人，至少找一个退出的人。

第三，卡住超过一周，问题就变了。 检查卡的七格填不出来，通常不是想得不够，是材料不够——如果一个方向问题连续想了一周还没有新增信息，就不要继续想，去找材料，或者把问题降级成一个可逆的小实验。继续想，是最差的选项。

第四，纯运气领域不适用。 彩票方向不需要方法论。

第五，这套方法管方向，管不了意义。 和内功篇的边界一样：它回答「往哪走」，不回答「为什么出发」。把意义问题也塞进流程里，方法论就越界了。

结尾：迷茫是一个信号

回到题眼。

见几而作——信号要在微弱处读，在调查中读，不是在收藏夹里读。

知时而动——时点到了就动，不等「想清楚」那一天，因为那一天不会来。

三篇合起来，是四样东西：

一颗心，一张地图，一本账，一个罗盘。

心是闭环，管怎么做对；地图是能力，管力气往哪投；账本是证据，管有没有真的变强；罗盘是选择，管往哪走。心不息，图常新，账常对，罗盘定期校准——然后，走。

人不是靠一次选择找到正确的人生，而是靠一套能够持续校准的系统，逐渐走到适合自己的位置。

如果你今天正好在迷茫，从第一格开始：写下你正在纠结的那个选择，先回答——它可逆吗？

多半你会发现，迷茫不是一个判决，是一个信号：

它在提醒你：别再想答案了，去验证一个假设。

附：出处与延伸阅读

骨架：《实践论》《矛盾论》《反对本本主义》（《毛泽东选集》第一卷）——「没有调查，没有发言权」、十六字加工法、两次飞跃、主要矛盾，本文主线是它的展开。程序员视角的读法见《毛选学习笔记》。
题眼与知几：《系辞下》——「几者动之微，吉之先见者也。君子见几而作，不俟终日。」
三义（变易、不易、简易）：传统上归于《易纬·乾凿度》。本文只取前两条作类比，是我的借用，不是训诂。
锚与期望值：吴军《见识》——五年后成为谁、做正期望的选择。笔记见《见识读书笔记》。
逆向排除：芒格《穷查理宝典》。
坚持或转型、跑道按转型次数算：莱斯《精益创业》。
OODA：博伊德，空战决策循环。
决策写下来、可迭代：Ray Dalio《原则》——原则是在类似情境下反复使用的决策算法，写下来、带版本、事后检验。笔记见《〈原则〉笔记：把人生和公司当成一台可以调试的机器》。

这些出处标的是「零件从哪来」。装法对不对，终审权在现实，不在文献。

HN 招聘帖 9 月观察：帖子少了四分之一，但有几样东西在逆势变厚

Tue, 08 Sep 2026 10:30:00 +0800

HN 招聘帖 9 月观察：帖子少了四分之一，但有几样东西在逆势变厚

上一篇《从 HN 招聘帖看创业活路》分析了 2026 年 7 月（410 条）和 8 月（330 条）两期招聘帖。9 月 1 日第三期出来了，我照例抓取、统计、逐条过了一遍。这篇只讲增量：和上两个月相比，什么消失了，什么变厚了，以及一份"三期全勤"的公司名单。

先交代数据口径：和前两期一样，只统计主帖（公司发布的招聘条目），不含讨论回复。9 月主帖 242 条。

一、总量：410 → 330 → 242

帖子数量连续第二期下滑，9 月比 8 月少了 27%。暑期因素已经解释不了这个跌幅——7 月到 8 月是暑期，9 月可不是。更可能的解释是：公司在招人这件事上变得更谨慎，或者更精准——招聘需求没有消失，而是集中到了更少、更明确的方向上。下面的结构变化支持后一种解释。

词频层面（242 条主帖中的出现比例）：

AI 出现在 60% 的帖子里，agent 25%，agentic 11%——“agentic” 已经从营销词变成岗位描述的默认词汇
remote 56% vs onsite 29%——远程比例稳定，SF/NYC 的 onsite 集中在 AI 和硬件团队
founding（创始工程师类岗位）占 8%，而 7 月是 18/410 ≈ 4%——早期公司的占比翻倍。帖子少了，但新公司的诞生速度没有跟着慢下来
security 出现在 16% 的帖子里——这个比例高得反常，下面细说
技术栈排位不变：Python > TypeScript > Rust > Go

最戏剧性的变化是量子公司集体消失：8 月 quantum 出现 15 次（Atom Computing、IonQ、Unitary Foundation 等都在扩编），9 月归零——一期之内从"密集冒头"到"查无此人"。我 8 月写"招聘是领先指标"，9 月就收到了反面教材：领先指标也会回撤，单月的招聘热度不等于趋势。这也是为什么要连续读多期。

二、逆势变厚的四个方向

flowchart LR
    A["9 月 242 条帖子<br/>总量 -27%"] --> B["Agent 治理与安全<br/>security 占 16%"]
    A --> C["政府成为买家<br/>govtech 集群"]
    A --> D["能源层继续变厚<br/>energy 22 次"]
    A --> E["给模型出考题<br/>评测与环境成新铲子"]
    B --> B1["MintMCP · Greywatch<br/>Trustible · Steg.AI"]
    C --> C1["Statecraft · Aerdos<br/>GovStar · Tecuity"]
    D --> D1["Neuralwatt · Strobe Power<br/>Oklo（三期全勤）"]
    E --> E1["Mechanize · Prophet Town<br/>Artificial Analysis"]

1. Agent 治理与安全：从"有没有 Agent"到"管不管得住 Agent"

8 月的主题是公司争相部署 Agent，9 月的主题是部署之后怎么办。一批公司专门做"Agent 的管控层"：

MintMCP 给 IT 部门提供统一的 Agent 落地入口——身份、权限、可见性，帖子里直接晒了进度：6 个月拿下 40+ 付费客户（Braze、Coursera、Stability AI），6 周内团队从 6 人翻倍到 12 人
Greywatch 做 Agent 安全与治理平台，“从内核到网络看清 AI agent 在你的基础设施里干什么”
Trustible 帮企业应对正在落地的 AI 监管，同时在招 Agentic Engineer 和 Forward Deployed Engineer
Steg.AI 做不可见的 AI 水印，Hiya 识别深伪诈骗电话（覆盖 5 亿用户），InfoHawk 追踪 AI 生成的仿冒网站和欺诈广告

与之呼应的是 eval（评测）正式成为岗位职责：10% 的帖子明确提到 evals。最典型的是 Republic Services——北美第二大环保服务公司，4 万员工、几千辆卡车——在招第一位 Agentic AI 工程师，岗位描述写得像教科书：agent 编排、检索与记忆、evals 与 golden dataset、prompt 注入防护、审计日志。当"收垃圾的公司"都开始建制化地招 Agent 工程师，说明垂直 Agent 已经越过早期采用者阶段，买家从创业公司变成了老经济本身。

2. 政府成为买家

9 月有一个此前不明显的集群：把 AI 卖给政府，或者直接替政府干活。

Statecraft 的帖子火力很猛：“美国政府几乎完全由外包顾问运营，顾问人数是公务员的 3 倍，他们把低效制度化以便多收工时费”——他们做的事是用 AI workforce 自动化这些工作，招全级别的 FDE
Aerdos 定位"AI 原生情报机构"，用公开和商业数据帮美国政府回答国家安全问题
GovStar 招 5 个工程师给政府建"安全、生产级的 AI 能力"（要求美国公民身份）
更老的玩家也在：Tecuity 给州务卿办公室写了 20 多年软件，Leidos 继续在 FAA 项目招人，Valkyrie Aero 是国防部主承包商（载人反无人机飞机），Mattermost 的客户名单就是国防、情报、安全机构

这条线的逻辑和垂直 Agent 一样——替代昂贵人力——但买单方换成了财政。政府合同周期长、合规门槛高，可一旦进去就是多年期收入。在帖子总量收缩的月份里这个集群反而成形，值得记下来。

3. 能源层继续变厚

8 月我写了"淘金热的铲子从 GPU 延伸到电网"，9 月这层更厚了：

Neuralwatt：帮数据中心"从每一千瓦里榨出更多可用的 AI 算力和收入"，做 GPU 优化和能耗感知控制系统
Strobe Power：把商业楼宇里的电池和发电机聚合成分布式电厂，实时买卖和调度电力——“做一家满足 AI 数据中心需求的电力公司”
加上做能源交易的 Amplify Renewables、做电网效率的 Comity、柏林的 Frequenz（Energy-as-a-Service）、牛津的 Aurora Energy Research，以及三期全勤的 Oklo（核反应堆）

算力瓶颈往下传导到电力的路径已经完全确立，而且分工在细化：有人管"省电"，有人管"找电"，有人管"造电"。

4. 给模型"出考题"成为新铲子

9 月出现一类两个月前还不存在的岗位：为前沿实验室构建训练环境和评测基准。

Mechanize 做的事一句话：建造前沿实验室用来训练模型"做真实软件工程"的环境。“需求超过我们能跟上的量，正在快速招人”——Junior SWE 开价 30 万美元加股权加奖金
Prophet Town 9 月的在招方向包括：设计 RL benchmark、red-team 模型输出、给前沿模型的 agentic coding 能力写评分 rubric
Artificial Analysis 作为独立第三方 AI 评测公司在两地 onsite 扩张

模型能力提升之后，“怎么衡量和训练它干活"本身成了供不应求的生意。这是卖铲子逻辑的最新一环：铲子已经不只卖给用 AI 的人，还卖给造 AI 的人。

三、物理世界：词汇在升级

物理世界这条路径（7、8 月的"路径三”）9 月仍在，但措辞变了——Physical AI 和 world model 开始取代泛泛的"机器人"：

Valstad Shipworks：“建造船的机器”——面向自主造船的机器人平台，软件栈从运动规划到物理仿真全部自研
Reframe Systems 用机器人微型工厂网络批量造房（从 ADU 到中型公寓），核心软件问题是"把数月的设计开发周期压掉"
Stand 给每栋房子建数字孪生，用物理信息世界模型预测野火/飓风中的具体损失，再据此给保险定价——已承保约 100 亿美元。这是"世界模型"第一次以赚钱的形态出现在帖子里
Rerun 自称是"Physical AI 的数据层"，Springcraft 自称是"Physical AI 的平台"——连卖铲子的都开始用这个词命名自己
老牌面孔还在：MONUMENTAL 三期全勤，Brain Corp 全球部署了 5 万台机器人，Greenzie 做商用割草机自动驾驶

同期值得注意的还有"非 LLM 的基础模型"：Prior Labs 做表格数据基础模型（临床试验、金融模型背后都是表格），Xaira 做生物基础模型，Pathos 用肿瘤学基础模型配 200PB 数据，ORIGAMICS 做能推理电子原理图的模型。LLM 之外的基础模型正在按数据类型铺开。

四、薪资与求职端：哑铃型分化

9 月帖子里的薪资数字呈现出很清楚的哑铃形：

flowchart LR
    subgraph 哑铃的一端
        A1["Mechanize Junior SWE<br/>$300k + 股权"]
        A2["aiuc.com MTS<br/>$200k-400k"]
        A3["Balerion AI<br/>$250k+ base"]
    end
    subgraph 哑铃的另一端
        B1["Search Atlas<br/>$23-34/小时 合同工"]
        B2["多条 equity-only<br/>零工资帖"]
        B3["匿名 SaaS 岗<br/>$90k-110k"]
    end
    A1 --- B1
    MID["中间地带在变薄"]
    A1 -.-> MID
    B1 -.-> MID

哑铃的一端：离前沿实验室越近、或离大钱越近的岗位，薪资越离谱。Mechanize 给 junior 开 30 万；做 AI 保险承保的 aiuc.com（团队含前 Anthropic/METR/OpenAI）开到 40 万
另一端：普通全栈岗的报价继续下探，30 美元时薪区间的合同工岗位堂堂正正地贴在帖子里，equity-only 的"零工资联合创始人"帖照例出现
求职端供需：咨询公司 Prophet Town 自己披露，8 月的帖子收到 216 份申请，发了约 10 个 offer（4.6% 录取率）；做代理网络的 Proxybase 创始人在帖子里公开道歉——“申请太多，回复慢了”。雇主端的谨慎和求职端的拥挤，两个事实继续同时为真
连续第三期，有人在帖子里呼吁雇主标注 4 天工作制（4DWW）——这个诉求没有消失，但也没有更多雇主接招

五、三期全勤名单

单期的热词可能是噪音，连续三个月都在扩编的公司是更硬的信号。同时出现在 7、8、9 三期帖子里的公司：

垂直 Agent：PermitFlow（建筑许可）、Shepherd（保险承保）、Norm Ai（法律）、Anterior（医疗授权）、Vitalize（医院排班）、Oscilar（风控）、Snout（宠物医疗支付）、Apex Dental（牙科集团）
信任基础设施：Middesk（KYB）、DuckDuckGo、Enveritas（咖啡农可持续发展，非营利）
卖铲子：LiveKit（语音管道）、Railway（部署平台）、Cascade Space（地面站）
物理世界：MONUMENTAL（砌砖机器人）、Oklo（核能）
慢慢赚钱：Sudowrite、PostHog
大厂标本：Snowflake 的 Applied AI / FDE 团队三期都在招——“驻场交付"作为行业标准动作的地位彻底坐实

另外 Langfuse 8 月被 ClickHouse 收购后，9 月已经不再发帖，而是以"技能要求"的形式活在别人家的岗位描述里（Republic Services 和 AiMi 的帖子都点了它的名）——开源工具的另一种存在感。

六、小结

把 9 月这 242 条压缩成一句话：总量在退潮，但潮水退去的地方露出的不是沙滩，而是四条更深的河道——管好 Agent、卖给政府、解决电力、给模型出考题。

对创业者，这期的启示比前两期更具体：当收垃圾的公司都开始建制化地招 Agent 工程师，“帮传统行业落地 AI"的窗口正在从"教育市场"切换到"交付结果”——客户已经知道自己要什么，接下来拼的是交付能力和行业理解。这正是 8 月说的 FDE 模式的必然延伸。

至于上篇讨论过的"这套行情是否在中国重演”，9 月的数据没有改变判断，只补了一条注脚：政府作为 AI 买家这条线，美国的形态是"替代外包顾问"，国内的形态大概率是信创和政务智能化的延续——同一条河，不同的河床。

数据来源：Ask HN: Who is hiring? (September 2026)，共 242 条主帖，2026-09-08 抓取。

从 HN 招聘帖看创业活路：740 家公司教我的事

Wed, 19 Aug 2026 15:00:00 +0800

从 HN 招聘帖看创业活路：740 家公司教我的事

Hacker News 每个月都有一个 “Ask HN: Who is hiring?” 帖子。我一直觉得它是被低估的创业研究材料：能在上面花钱花人招工程师的公司，多半是活下来、而且有现金流或融资的公司——这是天然的"幸存者样本"。我把 2026 年 7 月和 8 月帖子抓下来做了词频统计，又逐条过了一遍，这篇文章聊聊我从里面看到的创业路径，以及两个月之间风向的变化。

先给不熟悉 HN 的读者补个背景：Hacker News 是硅谷最有影响力的技术社区，由著名孵化器 Y Combinator 运营。每月 1 号它会置顶一个 “Who is hiring?"（谁在招人）帖子，公司创始人或工程师在评论区按固定格式发招聘启事——公司名、岗位、远程/坐班、薪资范围、一句话介绍。每条招聘帖背后都是一家正在扩张的真实公司，所以把这个帖子当数据库来读，就能看到"什么类型的创业公司此刻活得不错”。

一、先看数据：AI 已经不是赛道，是空气

7 月的 410 条帖子里，“AI” 出现了 405 次。这个数字的意义不在于"AI 很火"，而在于：已经没有"AI 公司"这个分类了，就像今天没人说自己是"互联网公司"一样。AI 变成了所有公司的默认组件。

其他值得注意的词频：

remote 226 次 vs onsite 100 次 + hybrid 61 次——远程仍是主流，但 SF/NYC 的 onsite 明显回流，尤其是 AI 和机器人方向的早期团队
founding engineer 18 次——早期公司密度很高，说明新公司的诞生速度没有放缓
profitable 22 次、bootstrapped 9 次——盈利公司乐意把"我们赚钱"写进招聘广告当卖点
技术栈：Python（88）和 TypeScript（72）是绝对主力，Rust（63）站稳了系统层，Go（2）反而式微
上一轮的宠儿几乎消失：crypto 3 次、web3 0 次、gaming 3 次

真正有意思的是这些词背后聚成的几类公司。我归纳出五条路径，整体解构如下图：

flowchart LR
    A["HN 招聘帖<br/>两期 740 家公司"] --> B["路径一：卖铲子<br/>AI 基础设施"]
    A --> C["路径二：垂直行业 + Agent<br/>密度最高"]
    A --> D["路径三：回到物理世界<br/>机器人 / 制造 / 国防 / 能源"]
    A --> E["路径四：慢慢赚钱<br/>老牌盈利公司"]
    A --> F["路径五：合规与隐私<br/>信任基础设施"]
    B --> B1["算力与芯片<br/>Fluidstack · Fractile"]
    B --> B2["管道与平台<br/>LiveKit · Railway · Estuary"]
    C --> C1["建筑 PermitFlow<br/>保险 Shepherd<br/>医疗后台 SmarterDx"]
    C --> C2["法律 Norm Ai<br/>物流 Pango · Orbit"]
    D --> D1["机器人 MONUMENTAL<br/>制造 Freeform"]
    D --> D2["国防 Aurelius<br/>能源 Oklo"]
    E --> E1["Proton · PostHog<br/>Sudowrite · IVPN"]
    F --> F1["Middesk · Oneleet<br/>Kanary"]

下面逐条展开。

二、路径一：卖铲子——AI 基础设施

Fluidstack 给前沿实验室建超算集群
Fractile 做 AI 推理芯片，Founders Fund 背书
Syntropic 压缩 LLM 的 KV cache，号称 8 倍压缩、0.43% 质量损失
LiveKit 做语音 AI 的实时通信层，Railway 做部署平台，Estuary 做实时数据同步

这是最拥挤也最贵的一条路：资本密集、人才密集。但它的启示对独立开发者同样成立——每一轮淘金热里，活得最好的往往是卖工具的。只是 2026 年的"铲子"已经不是"再做一个 LLM 网关"，而是往更底层（算力、内存、数据流）或更具体的环节（语音管道、Agent 运行环境）钻。

结合 8 月的数据，“铲子"已经明显分成了四层，越往下越重资产，但也越稀缺：

flowchart BT
    POWER["第四层：电力与能源<br/>Joulent · Oklo · Proxima Fusion"] --> COMPUTE["第三层：算力与推理优化<br/>Fluidstack · Fractile · Syntropic"]
    COMPUTE --> INFRA["第二层：平台与管道<br/>LiveKit · Railway · Estuary"]
    INFRA --> APP["第一层：应用<br/>垂直行业 Agent（路径二）"]

值得注意的方向：上层的创业者在往下走（应用公司开始囤算力），下层的瓶颈在往上顶（电力决定了算力扩张的速度）。

三、路径二：垂直行业 + Agent，专挑"无聊但有钱"的行业

这是帖子里密度最高的一类，也是我认为普通创业者最现实的路径。共同公式是：找一个流程落后、靠 Excel 和邮件运转的传统行业，用 AI Agent 把里面的手工环节吃掉：

建筑业：PermitFlow 做施工许可，OneCrew 给沥青混凝土公司做全业务平台，Rabbet 做建筑金融，Klutch AI 做工地移动端
保险业：Shepherd 做全自动承保，Annex Risk 做自然灾害房屋保险，Oscilar 做风控决策
医疗后台：SmarterDx 管医院计费（“医院怎么拿到钱"这种没人愿意碰的系统），Vitalize 管医院排班，Anterior 做诊疗授权自动化
法律合规：Norm Ai 自称"agentic law company”，客户管着 30 万亿美元资产；Phaselaw 做 eDiscovery
物流：Pango 做电商物流的"Agentic OS”，Orbit 要替换掉欧洲货运公司的 Excel
物业：AveryIQ 直接叫板 Appfolio、Yardi 这些老软件

这类公司的特点是：客户不在乎你的模型多先进，只在乎省了多少人力、少出多少错。壁垒不在 AI，在于你比 AI 公司更懂行业，比行业公司更懂 AI。入场券是行业知识，不是算法。

四、路径三：回到物理世界

软件吃世界的上半场结束了，下半场开始吃原子：

Monumental 的机器人真的在砌砖盖楼，特意强调"机器人领域有很多 PPT 公司，我们不是"
Freeform 做 AI 原生制造，Rangeview 要"重建美国的铸造体系"
国防：Aurelius Systems 做激光反无人机系统，Air Space Intelligence 刚拿下 FAA 的合同，Sphinx Defense 做国家安全软件
能源：Oklo 造下一代核反应堆
太空：Ecosmic 做空间态势感知，Cascade Space 做地面站硬件

地缘政治（国防、供应链回流）加上 AI 控制的成熟，让"硬科技"重新变成一门好生意。这条路门槛高、周期长，但帖子里这些公司的存在本身说明：资本愿意为物理世界付钱了，这在五年前并不成立。

五、路径四：慢慢赚钱的"老家伙"们

用户看招聘帖的一个直觉是对的——能持续招人就是活下来的证据。帖子里有一批 5 到 15 年"高龄"的公司，它们的路径是另一个极端：

Proton（盈利、无 VC 控制）、DuckDuckGo、IVPN（2010 年成立，每年独立审计）
PostHog（公开手册、全远程）、Featurebase（bootstrapped、盈利）
Sudowrite 直接在帖子里打勾：√ PMF √ PROFITABLE
BitPay（2011）、MixRank（YC S11）、Rabbet（YC S17）——穿越了不止一个周期

这些公司的共同点：服务一个明确的付费人群，控制烧钱速度，把"盈利"当成竞争力而不是妥协。在 AI 叙事满天飞的帖子里，“我们是盈利公司"反而成了吸引工程师的差异化卖点——大家被裁员潮教育过，知道烧钱的故事会怎么收场。

六、路径五：合规和隐私本身成为生意

Middesk 做 KYB（企业身份核验），是银行和 fintech 的基础设施
Oneleet 做一站式安全合规（ASM、代码扫描、SOC2 全家桶）
Kanary 帮个人监控和清理网上的隐私暴露
Friendly Captcha 十年只做一件事：反机器人验证码
Sequent 做密码学安全的在线投票

监管越重、AI 生成的垃圾流量越多，这类"信任基础设施"就越值钱。它们不性感，但需求是结构性的——不会因为模型换代而消失。

七、几条路径之外的观察

“Forward Deployed Engineer” 成了热词（Antithesis、Confido、Kinxshn 等都在招）。Palantir 模式的扩散意味着：垂直 AI 公司发现，离客户不够近就落不了地。这对创业者的提示是，早期别抗拒"像咨询一样干活”，那就是产品发现的过程。
纯投机空间变小了。帖子里的骗局（假 GPU 集群、要护照照片的"招聘"）都被评论区当场拆穿。社区嗅觉很灵敏，靠信息差骗钱的窗口在关闭。
警惕"零工资+股权"的帖子。7 月那批帖子里有好几条 equity-only 的，评论区并不客气。创业可以赌，但要把赌注看清楚再上桌。
4 天工作制（4DWW）在被主动索要。有公司拿它当卖点，也有求职者在帖子里呼吁雇主标注。小公司拼不起薪资时，工作方式是最便宜的差异化。

八、一个月之后：8 月帖子的增量信息

写完上面的分析后我又抓了 8 月那一期（330 条）。帖子总量比 7 月少了约两成（有暑期因素，但也和评论区"市场不好"的抱怨互相印证），不过结构上验证了前面的判断，还多出几个新信号：

Forward Deployed Engineer 彻底出圈。这个词 7 月只出现 4 次，8 月出现 16 次，连 Snowflake 这样的大厂都组建了 Applied AI / FDE 团队。“驻场帮客户把 AI 落地"从 Palantir 的独门打法变成了行业标准动作——这进一步确认：垂直 AI 的竞争发生在客户的业务现场，不在模型里。
能源成了"卖铲子"的新一层。Joulent 做的事一句话就能说完：给 AI 数据中心送电（“multi-gigawatt power to AI data centers”）。算力紧缺的下游是电力紧缺，淘金热的铲子已经从 GPU 延伸到电网。同方向还有 Proxima Fusion 在慕尼黑造商用仿星器核聚变装置。
量子计算密集冒头。quantum 从 4 次涨到 15 次：Atom Computing（中性原子）、IonQ（离子阱，已在波士顿建全球研发中心）、Aqora、Unitary Foundation（容错量子编译）都在招人。还没到爆发期，但招聘是领先指标。
语音 AI 是一个被低估的垂直点。River 做 B2B 外呼 Agent、Phonely 做电话客服自动化、Strello Health 做医疗语音 Agent，加上做底层管道的 LiveKit——voice 出现 11 次。语音是"替人干活"最直接的形态：电话打出去，活就干完了。
垂直行业继续向更冷门的角落渗透：兽医诊所（Instinct Science、Snout）、牙科集团（Apex Dental，65 家诊所的 DSO）、农业贷款（Landjourney）、食品供应链（Choco）、餐厅收银（Vitabyte）。甚至阿森纳足球俱乐部都在招 Research Engineer 嵌入一线队——“行业 know-how + 工程"的组合没有边界。
连续两期出现的名字值得多看一眼：PermitFlow、Klutch AI、OneCrew、Shepherd、Norm Ai、Middesk、Bucket Robotics、MONUMENTAL、Freeform、DuckDuckGo、IVPN、PostHog、Sudowrite、Featurebase、Enveritas……连续两个月都在扩编，说明业务在真实增长。其中 Langfuse（LLM 可观测性）8 月帖子的抬头已经变成 “now part of ClickHouse”——开源 + 开发者工具这条路，两个月内就给出了一个退出样本。
求职端的寒意也更明显。有人在帖子里算账：加州 Petaluma 的 Chipotle 起薪 20 美元/小时，而一些初级开发岗位的报价已经逼近这条线；7 月就出现过的"假 GPU 集群"骗局 8 月原样重发，照例被评论区当场拆穿。公司端在扩张，求职端在承压，两个事实同时为真——这本身就是垂直 AI 创业有机会的原因之一：企业要的不是"更多人”，而是"更少人 + 更多自动化”。

九、这套行情会在中国重演吗？

写到这里，很多读者自然会问：这些路径放在国内适用吗？我的判断是：结构上会重演，形态上会变形。逐条对比一下（以下为个人判断，供参考）：

路径	美国的驱动逻辑	在中国是否成立
一、卖铲子	算力紧缺、语音/Agent 管道空白	部分成立。基础设施层由大厂和重资本主导，创业公司机会在细分工具（推理优化、Agent 运行环境）而非正面硬刚
二、垂直行业 + Agent	替代年薪 8 万美元的后台人力，ROI 极高	成立，但账不一样——详见下文
三、物理世界	再工业化、国防、能源	不是重演，是主场：机器人产业链、制造业场景、电力基建本来就是中国的供给端优势
四、慢慢赚钱	服务明确人群、控制烧钱	两国都成立，且在国内资本环境下几乎是默认姿势
五、合规与隐私	HIPAA、SOC2、保险监管驱动	成立，但合规的来源不同：国内是等保、数据安全法、信创——信创恰恰是中国独有的"合规生意"

路径二是最值得细说的。美国垂直 Agent 公司的核心账本是"替代昂贵人力"：医院计费员、保险承保员、施工许可专员，年薪动辄 8 到 15 万美元，Agent 收半价客户还嫌便宜。国内同样的岗位人力成本低得多，“替人干活"的定价空间天然被压缩；再加上国内 to B 软件的老问题——大客户要定制和私有化部署，小客户付费意愿弱，钉钉/企微/飞书又压掉了通用 SaaS 的空间——所以同样一个"医院计费 Agent”，在美国是标准化 SaaS 生意，在国内很可能做成项目制生意，毛利和可复制性差一截。

这不是说路径二在国内不成立，而是它的成立形态会不同。我用三个"过滤器"来总结判断过程：

flowchart TD
    US["美国已验证的模式"] --> F1{"人力替代 ROI 够高吗？"}
    F1 -- "美国：人力贵，账好算" --> OK1["国内也可复制"]
    F1 -- "国内：人力便宜，账难算" --> F2{"客户愿意为<br/>软件/Agent 付费吗？"}
    F2 -- "意愿弱" --> GO["出海：把产品卖给<br/>付费意愿强的市场"]
    F2 -- "意愿强（合规 / 刚需）" --> OK2["国内成立，但多为<br/>解决方案 + 私有化形态"]
    US --> F3{"中国有供给端优势吗？"}
    F3 -- "硬件 / 制造 / 电力" --> OK3["不但重演，而且可能领先"]

几个由此推出的具体判断：

出海是国内垂直 AI 团队最现实的选项。人力账本在美国、中东、东南亚更划算，而中国的工程成本和交付速度是供给端优势。帖子里 RevOps、物流、建筑这些赛道的玩法，完全可以由国内团队反向输出。
国内做垂直 Agent，优先选"合规/刚需驱动"的行业：医疗（医保控费）、金融（监管报送）、政务、信创替代——这些领域的付费不由"省人力"决定，由"不做不行"决定，绕开了人力成本账本。
路径三（物理世界）不用等重演。机器人、智能制造、数据中心电力这些方向，国内的供应链和场景密度本来就更厚，美国的"再工业化"叙事反而是在追赶已有的中国产能。
“行业 know-how"的稀缺性两国通用。国内建筑信息化有广联达、医疗信息化有卫宁和东软、法律科技也有一批老玩家——新机会不是再造一个行业软件，而是像 SmarterDx 那样，用 Agent 重做这些系统里仍然靠人肉运转的环节。

十、写在最后

把这两期 740 条帖子压缩成一句话：AI 让"改造一个古老行业"的单位成本骤降，于是活下来的公司分成了两拨——一拨去给这场改造造工具（从 GPU 到电力再到语音管道），一拨扎进建筑、保险、医疗、物流、农业这些"无聊"行业里吃手工流程；而那些早早就开始赚钱的老公司，在一旁验证了另一种活法：不追浪潮，也能活得很好。

如果你在想创业点子，我会建议按这个顺序问自己三个问题，决策路径如下：

flowchart TD
    Q1{"我懂哪个'无聊<br/>但有钱'的行业？"} -- "还没有" --> L1["先去行业里干活，<br/>积累 know-how"]
    Q1 -- "有" --> Q2{"里面哪个环节还在<br/>靠人肉 Excel？"}
    Q2 -- "找不到" --> L2["换个行业看，或去该行业<br/>公司做驻场工程师（FDE）"]
    Q2 -- "找到了" --> Q3{"AI 能把这个环节的成本<br/>打下一个数量级吗？"}
    Q3 -- "不能" --> L3["时机未到，保持观察"]
    Q3 -- "能" --> Q4{"目标客户在哪里<br/>付费意愿最强？"}
    Q4 -- "国内（合规/刚需）" --> GO1["国内做解决方案<br/>小步验证付费"]
    Q4 -- "海外（人力贵）" --> GO2["出海做标准化产品"]

这三个问题都有答案的时候，大概率就有一张入场券了。

从《苦难辉煌》看创业程序员：如何奋斗、把握潮流、做出选择

Sat, 18 Apr 2026 15:00:00 +0800

从《苦难辉煌》看创业程序员：如何奋斗、把握潮流、做出选择

金一南的《苦难辉煌》（2009 年出版）讲的是 1917 到 1936 年这段历史：中国共产党从 50 多人的小党，经历大革命失败、长征、无数次内部争论与外部围剿，最终站稳脚跟。作者要回答的核心问题是——为什么最后是它赢了？

一个写代码的为什么要读这个？因为创业程序员面对的问题结构是同一类：资源极少、对手极强、方向不明、结果滞后。这本书里藏着一套被历史验证过的方法论。本文按新人最常问的三个问题展开：如何奋斗、如何把握时代的潮流、如何选择。每个问题分三层：书中讲了什么史实、对程序员意味着什么、新人可以直接拿走什么。文末另附全书十六章的脉络梳理与精华摘录，方便按需取读后回头通读原书。

一、如何奋斗：苦难不是辉煌的代价，是辉煌的筛选器

1.1 书里讲了什么

中央红军 1934 年 10 月从江西出发长征时是八万六千人，1935 年 10 月到达陕北时只剩几千人。湘江一战折损过半。这不是一支"开了挂"的队伍，而是一路被打、一路减员、一路有人动摇离开的队伍。

金一南在书里有个判断：辉煌不是苦难之后的补偿，而是苦难本身的筛选结果。长征保留下来的不是最强壮的人，而是信念最硬、最能在绝境里做判断的人。他还有一句被引用最多的话：“多数人因为看见而相信，少数人因为相信而看见。”

1.2 对创业程序员意味着什么

先看一组现实数据（我之前整理的 hardhacker 独立开发笔记里也提过）：国内独立开发者里大约 0.9% 的人够温饱，0.1% 的人活得舒服，大部分人半年到一年内被存款耗尽逼回职场。

这个淘汰率和长征的减员率结构相似：多数人的退出不是因为方向错了，而是因为撑不到结果出现。所以"如何奋斗"的第一层答案很残酷：奋斗首先是现金流管理——存款、副业、家人的支持，是你能留在牌桌上的氧气。

第二层答案：奋斗不是表演，不是深夜发朋友圈的加班照。长征路上没有观众。真正的奋斗发生在没有任何正反馈的阶段：产品上线三个月只有 20 个用户，你还要不要继续迭代？开源项目半年没有 star，你还要不要修那个没人报的 bug？“因相信而看见"翻译成程序员的话就是：你对这个问题的判断（需求是真的、方案是对的）要硬到能撑过数据为零的阶段。

1.3 新人可以拿走什么

先算氧气账，再谈理想。裸辞前问自己：现有存款够烧几个月？不够就先在职做 MVP。
选择有积累的事。代码会过时，但领域知识、用户信任、工程复盘会复利。我开发方糖猫和 GeekCast 时坚持把每次坑写成契约文档和复盘笔记，半年后这些文档比代码本身更值钱。
给"看不见结果"设一个期限。相信不是盲目。比如约定"再迭代 3 个版本、再触达 100 个目标用户，仍无一个付费就转向”——信念要硬，止损线也要硬。

二、如何把握时代的潮流：先看清"实际"，再谈"大势"

2.1 书里讲了什么

1920 年代，共产国际给中国共产党指的路是"城市中心论"——照抄俄国十月革命经验，在大城市搞武装起义。结果南昌起义、广州起义接连失败，部队在城市里站不住脚。毛泽东带着秋收起义剩下的队伍上了井冈山，走出"农村包围城市"的路。

这条路不是从书本里推导出来的，是从力量对比的冷静计算里长出来的：敌强我弱，城市是敌人力量最集中的地方，农村是其统治最薄弱的地方；农民占人口绝大多数，是最广大的力量来源。金一南反复强调"实事求是"不是一句口号，它是一种能力——抛开权威说法和既有模板，只看你脚下真实的条件。

遵义会议（1935 年 1 月）的意义也在这里：中国共产党第一次在没有共产国际指挥的情况下，自己解决自己的路线问题。

2.2 对创业程序员意味着什么

今天我们也有自己的"共产国际"：大厂的战略发布会、投资人口中的赛道、技术媒体的头条。它们告诉你"应该做平台"“应该做通用 Agent"“应该 all in 某个框架”。

而"农村包围城市"的程序员版本是：别去敌人力量最集中的地方。我在避坑笔记里写过同一个结论——AI 搜索、通用 Agent 平台是大厂赛道，个人资源撑不起平台梦。独立开发者的"井冈山"是那些大厂看不上、看不上眼但痛点真实的窄领域：口播自动剪辑、播客转文字、某个垂直行业的报表自动化。

把握潮流的正确姿势不是追热点，而是识别结构性变化：

AI 是结构性变化——它改变了内容生产的成本结构，这是真潮流；
某个具体模型、某个具体框架是浪花——三个月就换一轮。

真潮流里也要找自己的位置。AI 视频生成很火，但"几句话生成几秒画面"是大模型厂商的主场；而"把一篇文案、一段口播组织成一条可发布的完整视频"是工程管线问题，是 GeekCast 这类工具的位置。潮流决定水位，位置决定你能不能喝到水。

2.3 新人可以拿走什么

判断一个"潮流"值不值得跟，问三个问题：

成本结构真的变了吗？（AI 让剪辑/写码/翻译的边际成本趋近于零，这是真变化；某个新框架只是体验改良，未必。）
谁因此受益，受益人付钱吗？（受益者明确且付得起钱，才是生意；大家都在围观但没人付费，是热闹。）
我有什么不对称优势？（我是这个领域的重度用户、我有现成的素材库或行业关系、我懂某项别人嫌脏嫌累的工程细节——这些才是"你的井冈山”。）

三、如何选择：分野的不是聪明，是信念和算账能力

3.1 书里讲了什么

《苦难辉煌》里最震撼的材料之一，是中共一大 13 位代表后来的命运分野。1921 年他们在上海望志路开会时，起点几乎一样。28 年后：

走到建国的是少数：毛泽东、董必武 1949 年站在了天安门城楼；
为理想牺牲的是一批：王尽美病逝，邓恩铭、何叔衡、陈潭秋先后牺牲；
脱党离开的是一批：李达、李汉俊、刘仁静、包惠僧；
走向反面的是一批：张国焘分裂后叛党，陈公博、周佛海沦为汉奸。

同一间屋子出发的人，结局天壤之别。金一南想说明的正是：历史给每个人的考题差不多，分野在一连串选择里。

另一个例子是长征中的方向选择。四渡赤水后来被讲成"神机妙算"，但细看过程，它是一连串被迫的调整：土城战斗失利所以西渡赤水，敌人堵截所以二渡回师，再调动再穿插。方向不是出发时画好的蓝图，是在行动中一步步收敛出来的。而张国焘的南下与中央的北上之争说明：选择错的代价，往往不是立刻显现，而是几个月后才兑现——选择的困难在于结果严重滞后。

3.2 对创业程序员意味着什么

程序员的选择困境是同构的：

赛道选择：做通用工具还是垂直工具？付费墙前置还是免费获客？这些选择的对错，一年后才见分晓。
技术选择：自建渲染管线还是用现成服务？自研数据库还是先用托管？每个都"有道理"。
坚持与放弃：项目半年没起色，是该像四渡赤水一样调整方向，还是该像北上一样顶住分歧坚持？

从书里能提炼出两条选择原则：

第一，大方向靠信念和算账，小路径靠试错。北上还是南下是大方向，要基于对全局（敌情、民情、资源）的判断来定，定完不轻易动摇；但具体走哪条河、打哪场仗，允许边打边调。程序员版本：解决谁的问题、靠什么收费，这是大方向，要想清楚再动；而功能取舍、技术栈、定价档位，用 MVP 快速试，允许错。

第二，警惕"下船"的引力。一大代表里脱党和叛变的，很多不是不聪明，而是在某个压力时刻选了当下最容易的路。程序员版本：项目最难的时候，最容易的选择是回职场（有时确实该回）、砍掉收费改成免费、放弃难而正确的功能。选择之前先问：这个决定是"算账"算出来的，还是被当下的疲惫和恐惧推出来的？

3.3 新人可以拿走什么

小选择快做，大选择慢做。按钮放左边还是右边，一小时决定；做谁的生意、收谁的钱，值得想一个月。
写决策日志。每个重要选择记下"当时基于什么信息、预期什么结果"，半年后回看。没有日志，人会美化自己的判断力；有日志，判断力才能迭代——这跟代码需要 review 是一个道理。
区分"试错"和"逃跑"。试错有假设、有验证、有下一步；逃跑只有"我不干了"。允许自己试错一百次，不允许逃跑式地放弃一个未经证伪的方向。

附：全书十六章脉络与精华摘录

前面的三个问题是"按需取用"，这一部分按原书结构走一遍，方便新人把书读薄。全书 16 章不按时间顺序平铺，而是以长征为轴心"蓄势"和"收官"，可以分成四幕来读。

第一幕：火种（序言—第三章）——力量从哪里来

序言：金一南说写这本书用了十五年、研读五百多本书，初衷是告诉世人：

“我们曾经拥有一批顶天立地的真人，他们不为钱，不为官，不怕苦，不怕死，只为胸中的主义和心中的信仰。”
第一章地火——红色政权为什么能够存在：十月革命、孙中山、国共合作的酝酿。革命力量像地火一样在岩层下运行，等待突破口。书中写道：

“十月革命使中国奔腾运行的地火终于找到了突破口。”
第二章东方之梦：同一时期日本的崛起与扩张野心——明治维新到昭和军阀，东亚两个邻邦走向完全不同的命运岔路。
第三章岩浆：大革命洪流、北伐、四一二政变、南昌/秋收/广州三大起义——积蓄的力量如岩浆喷发，随即遭到残酷镇压。

第二幕：较量（第四—六章）——强弱怎么易位

第四章 “围剿”：蒋介石对中央苏区的一到四次围剿，以及红军在前四次反围剿中的胜利。
第五章崛起：根据地和红军发展壮大，中华苏维埃共和国成立——弱小的力量找到了适合自己的生存方式。
第六章陷落：第五次反围剿失败。李德、博古照搬教条瞎指挥，广昌战役硬拼失利，中央苏区陷落，被迫战略转移。这一幕是"潮流"一章的最好注脚：脱离实际的权威指挥，代价是全军覆没。

第三幕：长征（第七—十二章）——苦难如何炼出真金

第七章突破：长征初期连续突破封锁线，但带着全部辎重"大搬家"，行动迟缓，为后面的惨败埋下伏笔。
第八章湘江，湘江：全书最惨烈的一章。湘江一战红军折损过半，江面浮满牺牲者的遗体和散落的文件辎重。八万六千人出发，过江后只剩三万余。
第九章烈火真金：写逆境中的人——被排挤的毛泽东、坚持斗争的陈毅。金一南写陈毅：

“给人以火星者，必怀火炬。”

陈毅"从来不愿意向困难低头，却从来愿意向真理低头"。
第十章瞩目大西南：红军西进贵州、云南，蒋介石与王家烈、龙云、刘湘等地方军阀各怀算盘。遵义会议前后毛泽东重新回到指挥岗位——金一南用了一个小标题：“中国出了毛泽东”。
第十一章苦难辉煌：与书同名的核心章节。四渡赤水、巧渡金沙江，“不二过"的毛泽东在危局中调动敌人、走出死地。注意：这不是算无遗策，而是土城失利后边走边调的连续修正。
第十二章大渡桥横铁索寒：强渡大渡河、飞夺泸定桥——红军没有成为"石达开第二”。

第四幕：分野与收束（第十三—十六章）——选择决定结局

第十三章阴见多云：红一、四方面军懋功会师。本该是喜事，张国焘却因兵强马壮而生野心，暗流涌动——团队最强的时候，往往也是分裂风险最大的时候。
第十四章福兮祸所倚：张国焘南下受挫、分裂的代价逐步兑现；磨难反而促成红军的团结与转机。祸兮福所倚，福兮祸所伏。
第十五章历史与个人：全书最有锋芒的一章。一大代表、早期领导人、叛徒与脱党者——同一间屋子出发的人，命运天壤之别。序言里那句话是这一章的钥匙：

“任何民族都需要自己的英雄。真正的英雄具有那种深刻的悲剧意味：播种，但不参加收获。这就是民族脊梁。他们历尽苦难，我们获得辉煌。”
第十六章狂飙歌：红军到达陕北、西安事变，从苦难走向辉煌的总收束。“狂飙为我从天落”——大势终于转到幸存者一边。

给新人的读法建议

时间紧就只读四章：第一章（理解"地火"，对应你的积累期）、第八章（理解代价）、第十一章（理解"方向在行动中收敛"）、第十五章（理解选择的分量）。读完再回头看本文的三个问题，会有不一样的体感。

结语：三句话总结

把《苦难辉煌》压成创业程序员的三句话：

关于奋斗：撑到结果出现的能力，本身就是核心竞争力。多数人输在氧气耗尽，不是输在方向。
关于潮流：抛开权威叙事，只算你脚下的力量对比。真潮流改变成本结构，你的位置在"大厂看不上、用户真痛"的地方。
关于选择：同一起点的人，结局分野在一连串选择里。大方向想清楚再动，小路径允许试错，但永远别在最累的时刻做最大的决定。

苦难不会自动变成辉煌——中间的转化率，取决于你在没人看见的时候怎么奋斗、在众说纷纭的时候怎么判断、在压力最大的时候怎么选择。这对 1935 年的红军成立，对 2026 年写代码的我们，同样成立。

延伸阅读：我之前整理的 hardhacker 独立开发避坑笔记里有大量现实数据（收入分布、PMF 验证、收费策略），可以和本文的历史视角对照着看。

AI 产品 MVP 开发：我如何用 4 个月做出飞天猫

Mon, 23 Mar 2026 18:00:00 +0800

AI 产品 MVP 开发：我如何用 4 个月做出方糖猫

方糖猫是我从 0 到 1 主导的一个 AI 视频生成平台。从有想法到第一个版本上线，花了大约 4 个月。这篇文章会复盘整个 MVP 开发过程，包括当时做了什么对的决定、犯了什么错、以及如果重来我会怎么改进。

一、为什么要做方糖猫

1.1 观察到的痛点

2025 年前后，我身边很多朋友开始做短视频：

有人做知识科普，但剪辑太慢，一周只能出 2-3 条
有人做口播，但画面单调，自己又不会做 B-roll
有人做产品宣传，请不起专业剪辑团队

大家共同的需求是：用更短的时间、更低的成本，做出一条能看的短视频。

1.2 技术时机成熟

当时几个关键技术已经可用：

大模型：DeepSeek / GPT 能写脚本、做规划
语音识别：Whisper 能生成词级时间轴
TTS：多种中文配音模型质量可用
视频渲染：Remotion 让程序化渲染变得可行

这让我觉得，一个「文案 → 视频」的自动化平台有机会做出来。

1.3 要做的产品

一句话定义：

用户输入一段文案，系统自动匹配素材、生成配音、渲染成短视频。

二、MVP 范围定义

2.1 核心场景

我们锁定了第一批目标用户：知识类口播创作者。他们的视频结构相对固定：

开头点题
中间展开 3-5 个要点
结尾总结

这种结构最适合自动化处理。

2.2 MVP 功能边界

做：

文案输入
AI 生成故事板
自动匹配本地素材库
TTS 配音
Remotion 渲染
基础前端编辑

不做：

用户自定义复杂动画
多轨音频编辑
多人协作
付费订阅系统
移动端 APP

2.3 为什么敢砍这么多功能

MVP 的核心目标是验证：用户愿不愿意为「文案 → 视频」这个核心流程付费。

如果核心流程没人用，再多的周边功能也没用。如果核心流程有人用，周边功能可以慢慢加。

三、四个月开发节奏

第一个月：核心链路跑通

目标：让一条文案能生成一个最粗糙的视频。

工作：

搭建 Spring Boot 3 + Vue 3 基础项目
接入 DeepSeek API，让 LLM 根据文案输出故事板
用 Remotion 渲染最简单的画面：标题卡 + 说话人占位图 + 字幕
用 edge-tts 生成配音

里程碑：输入一段 100 字文案，5 分钟后拿到一个能播放的视频。

第二个月：素材库和编辑能力

目标：让视频能看，用户能微调。

工作：

搭建 RAG 素材库（ChromaDB + BGE-M3）
根据文案语义自动匹配图片/视频素材
前端增加故事板编辑：替换素材、调整文案、修改标题
接入阿里云 OSS 存储成片和素材

里程碑：生成的视频不再是「占位图」，而是有真实素材的「半成品」。

第三个月：稳定性和产品化

目标：从「能跑」到「能用」。

工作：

渲染任务接入 RocketMQ，支持多 Worker
增加 SSE 实时进度推送
用户注册登录、任务历史记录
错误处理和降级策略
横竖屏多分辨率输出

里程碑：邀请 5-10 个目标用户内测，他们能独立使用。

第四个月：上线和迭代

目标：正式对外开放，收集真实反馈。

工作：

域名备案、服务器部署
基础运营后台
用户反馈收集和快速修复
发布 1.0 版本

里程碑：ftmao.com 正式上线，有真实用户注册使用。

四、技术栈选择

层级	技术	选择理由
前端	Vue 3 + Vite + Pinia	团队熟悉，开发效率高
后端 API	Spring Boot 3 + Java 17	业务系统稳定性好
AI Worker	Python 3.11 + FastAPI	AI 生态丰富
数据库	MySQL + Redis	成熟稳定，团队熟悉
向量库	ChromaDB	部署简单，适合 MVP
消息队列	RocketMQ	负载均衡和重试机制完善
对象存储	阿里云 OSS	国内访问快
渲染	Remotion + FFmpeg	组件化渲染 + 强大后处理
LLM	DeepSeek	性价比高，中文效果好

4.1 有没有后悔的选型

暂时没有大后悔的：

Java + Python 双栈增加了复杂度，但确实是当时最优解
ChromaDB 在数据量大了以后可能会换 Milvus，但 MVP 阶段完全够用
Vue 3 + Spring Boot 是稳妥选择

唯一值得反思的是：

过早引入了 RocketMQ。其实前两个月用 HTTP 轮询也能支撑，第三个月再切队列压力更小。

五、内测与反馈

5.1 如何找到早期用户

朋友圈和抖音播客粉丝中筛选做内容创作的人
主动私聊，邀请试用
不收费，只要求反馈

5.2 收集到的关键反馈

反馈	我们的反应
「生成的视频节奏太慢」	优化故事板时长计算，增加紧凑模式
「素材匹配不够精准」	优化 RAG 召回策略，增加查询改写
「配音太机械」	测试多个 TTS 模型，增加情感参数
「希望能导出字幕文件」	增加 SRT 导出功能
「不会写文案」	增加 AI 文案扩写功能

5.3 哪些假设被推翻

原本以为用户最在意「视频质量」，实际上最在意「等待时间」。

用户可以接受视频不完美，但如果要等 10 分钟以上，很多人就直接放弃了。

这让我们把优化优先级从「画质」转向了「渲染速度」和「队列调度」。

六、犯的错误

6.1 过早做通用化

第二个月时，我想让平台支持多种视频类型：口播、科普、剧情、广告。结果为了兼容各种场景，架构变得复杂，核心口播场景反而没做好。

教训：MVP 只服务一个细分场景，做深再做广。

6.2 忽视前端体验

前三个月我主要精力放在后端和 AI 流程上，前端做得很简陋。内测用户反馈「不知道点哪里」。

教训：产品是给用户用的，不是给工程师自己看的。前端体验至少要做到「不迷路」。

6.3 没有尽早建立数据看板

上线后我不知道用户的真实使用情况：平均生成多少条、平均等待多久、失败率多少。

教训：MVP 阶段也要有基础埋点和看板，否则无法判断产品健康度。

6.4 低估了合规和成本

TTS、LLM、OSS、CDN、服务器，每一项都是按量付费。上线第一个月没注意控制，账单超出预期。

教训：MVP 阶段就要做成本预算和限额，避免烧钱不自知。

七、如果重来，我会怎么做

7.1 第一个月就用真实用户测试

不需要等 4 个月再邀请用户。第一周就可以给目标用户看原型图，第二个月就可以给粗糙版本试用。

7.2 更早砍掉非核心功能

比如「用户自定义动画」「多分辨率导出」这些，其实可以晚两个月再做。

7.3 更早做数据埋点

从第一天就记录：

用户从进入网站到生成视频的转化率
每个步骤的流失率
生成成功率和平均耗时

7.4 更克制地引入中间件

消息队列、向量库这些都可以先用简单方案顶上，等真的成为瓶颈再升级。

八、上线后的数据

（待补充真实数据）

指标	数值
上线时间	2026 年 X 月
注册用户	X
累计生成视频	X 条
平均生成耗时	X 分钟
生成成功率	X%
付费转化率	X%

九、对技术创业者的话

9.1 技术不是壁垒，产品化才是

会用 LLM、会调 Whisper 的人很多。但能把这些技术做成稳定、可用、有商业价值的产品的人很少。

9.2 不要等完美了再上线

第一个版本一定很丑、很慢、很多 Bug。但只要核心流程能跑通，就值得给用户看。

9.3 找到愿意骂你的用户

夸你的用户没价值，愿意指出问题的用户才是真用户。把他们服务好，产品会越来越好。

9.4 控制成本

AI 产品的边际成本不低，尤其是调用大模型和渲染视频。MVP 阶段就要算清楚账。

十、总结

方糖猫的 MVP 开发让我真正理解了「从 0 到 1」的含义：

范围要狠：只做一个场景，一个核心流程
速度要快：4 个月不算短，但可以更短
用户要早：从第一天就找目标用户
数据要全：用数据判断产品方向
成本要控：别让自己死在黎明前 https://gitee.com/soulnew/geekcast 如果你也在做 AI 产品的 MVP，希望我的经验能帮到你。

关于 AI 产品化、MVP 开发，如果你有问题，欢迎在评论区交流。

《小而美》学习笔记：极简创业的持续盈利法则

Wed, 27 Nov 2024 10:00:00 +0800

《小而美》学习笔记：极简创业的持续盈利法则

萨希尔·拉文吉亚（Sahil Lavingia）的经历本身就值得先讲一遍：15 岁开始创业，大学第一学期作为联合创始人加入 Pinterest，是二号员工；然后他放弃了期权出去追逐自己的"独角兽梦"，2012 年创立 Gumroad（一个帮创作者卖数字作品的平台）。2015 年增长不及预期，裁掉 75% 的员工只剩 5 人；到 2016 年，公司只剩他一个人。

在最惨的时候，他没有关掉公司，而是重新思考了一个问题：公司一定要不计成本地变大吗？ 他把经营逻辑理顺、简化，提出"极简创业"——尽一切力量盈利，而不是不计一切成本扩张。结果 Gumroad 起死回生，实现了超线性增长，投资人重新排队上门。但这一次，他拒绝了独角兽剧本，选择专注企业的持续增长能力。

这本书就是他这套方法论的完整总结。写作目标：新人能看懂，看完知道第一步该做什么，以及哪些坑千万别踩。

前言里有两段话定下了全书的基调，值得先读：

“我最终意识到，企业本身不是目的，而是用来创造的工具，一种法律意义上的组织，仅此而已。最开始，我可能根本不需要一个企业，但是后来我所创造的东西需要一种合法的架构、一个团队、一种运营方式，所以我才需要成立一个企业。"——前言

“建立一个极简主义企业，并不意味着不去争市场老大，而是要致力于建立一个可持续发展的企业，在服务更多人的同时有承担风险的灵活性，同时也助力其他人做同样的事情。而且，企业要能够（最好从一开始就）盈利，这也意味着你有能力专注于实现创业的初衷——帮助其他人。"——前言

一、全书地图：极简创业的七步

这本书不是鸡汤，而是一条有先后顺序的操作路径。核心逻辑可以浓缩成一句话：

先找到一个你热爱的社区 → 发现真实问题 → 用最少的成本做出解决方案 → 收费 → 靠做自己来营销 → 有意识地成长 → 建立一家你想长期待下去的公司。

flowchart TD
    A["第1步：先当创作者<br/>再当创业者"] --> B["第2步：从社区着手<br/>找到你的人群"]
    B --> C["第3步：越少越好<br/>先做流程，后做产品"]
    C --> D["第4步：瞄准前100个客户<br/>收费，多少都行"]
    D --> E["第5步：通过做自己来营销<br/>制造粉丝，而不是头条"]
    E --> F["第6步：有意识地成长<br/>不过度开支，保持盈利"]
    F --> G["第7步：建造你想住的房子<br/>价值观 + 责任制"]
    G -.->|"赚钱之后"| H["第8章：赚取时间<br/>放手，创造更多创作者"]

注意这条路径和主流创业叙事是反着的：主流叙事是"想个好点子 → 拿融资 → 烧钱扩张 → 赌一把能不能成独角兽”；这本书的顺序是"先有人群、先收费、先盈利，增长是盈利之后的结果”。

二、第 1 章：极简主义创业者——先想清楚你为谁创业

2.1 核心转变：追求盈利能力，而不是成为独角兽

书里第一章就有一组高度浓缩的"极简主义创业者画像"，基本就是全书的目录：

极简主义创业者：

盈利能力第一：创建的企业，无论如何必须赚钱。

从社区着手：他们不问"我怎样才能帮到你？"，而是善于观察并培养真实的人际关系，花时间和精力去了解用户、建立信任，然后才开始创建企业。

越少越好：只创建他们需要创建的部分，剩下的交给自动化或者外包。

瞄准前 100 个客户：不把时间花在说服客户上，而花在教授客户上。

营销最真实的你：分享自己的故事，从最初的挣扎到最后的成功。不制造头条新闻，而是制造粉丝，这些粉丝会逐渐自我转化为客户。

用心寻求自我成长和企业的成长：主导企业，而不是被企业主导；量入为出，不会为了扩大规模而牺牲盈利能力。

建造自己想住的房子：不循规蹈矩，根据基本原则建立企业。

作者给"极简主义创业者"下的定义还包含一层关键的多维匹配——把热爱、世界所需、能赚钱、自己擅长四者结合：

flowchart LR
    A[你热爱的] --> E
    B[世界需要的] --> E
    C[你能赚钱的] --> E
    D[你擅长的] --> E
    E(("值得做的事<br/>= 极简创业方向"))

四个圆圈的交集才是可持续的生意。缺任何一个都会出问题：只做热爱但不赚钱的，是爱好；只做赚钱但不擅长的，做不长；做擅长又赚钱但世界不需要的，是投机。

2.2 “先是创作者，再是创业者”

这是全书我最喜欢的一个观点：你不需要先有一个产品，你只需要先开始创作。 写博客、发视频、做教程、在社区里回答问题——这些创作行为会帮你积累信任、理解人群，而产品只是水到渠成的东西。

“今天，开始’经商’有另一种路径：在成为一个创业者之前，先成为一个创作者。……创作者创造作品，并为此向受众收取费用，然后利用这些钱去创造更多东西。他们将挣来的第一笔钱视为工具，为自己的创意提供动力，而不是反过来为钱而创作。越创造，越赚钱；越赚钱，越创造——就这样循环下去。"——第一章

“一旦开始帮别人做项目，你就会不由自主地产生自己的想法。"——第一章

“你不应该先学习，再开始，而应先开始，再学习。"——第一章

Gumroad 本身就是例子：作者想做的是"帮创作者直接向粉丝卖东西”，因为他自己先是创作者，才看到了这个痛点。

书里还给出了一个极简的启动四步法，可以直接抄作业：

你的理想客户是哪些？ 缩小这个群体的范围，直到不能再缩小为止。
明确你要帮他们解决的痛点是什么，以及他们为此愿意付多少钱。
设置一个严格的时间表，专心致志地设计一个方案，然后收取费用。
不断重复这个过程，直到找到一个可行的产品，然后围绕它扩大经营。

2.3 新人常见误解

误解一：“创业必须有颠覆性创意。"——不需要，解决一个小而真实的问题就够了。
误解二：“必须有融资才叫创业。"——拿自己的时间和前 100 个客户付费就够了。
误解三：“等我准备好了再开始。"——永远不会准备好，边做边学是唯一路径。
误解四：“市场太小不值得做。"——书里专门批评了这种心态：

“人们经常到处找创业点子，同时又对日常生活中不顺利的事抱怨不已，我觉得这很有讽刺意味。‘我当然可以通过一点努力就帮人们解决那个麻烦，但潜在市场并不是很大，都没法扩大业务。‘这就是本书要纠正的思维方式。"——第一章

三、第 2 章：从社区着手——顺序千万不能反

3.1 社区第一，产品第二

传统创业顺序是"idea → product → 找客户”；极简创业的顺序是：

flowchart LR
    A[加入一个你真正<br/>感兴趣的社区] --> B[贡献、创作、教别人<br/>建立信任和存在感]
    B --> C[观察社区里反复<br/>出现的痛点]
    C --> D[解决你自己的问题<br/>先给自己做一个方案]
    D --> E[把方案变成产品<br/>服务整个社区]

书里有一句话把这条因果链讲透了：

“是社区将你引向问题，问题将你引向产品，产品为你带来生意。"——第二章

3.2 怎么选社区

作者给的标准很朴素：

你真心喜欢待在里面。因为你可能要花好几年时间和这群人打交道，装出来的热情撑不了那么久。
人群要够具体。“所有中小企业主"不是社区，“二线城市独立咖啡馆店主"才是。越具体，你越能看清他们真正的问题。
你能持续贡献价值。社区的入场券是"给予”——回答问题、分享经验、免费帮人，信任是攒出来的，不是买来的。

书里对"什么样的社区值得长期投入"还有更具体的三条标准：

“你应该关注在里面能够（并且想要）实现以下几点的社区：（1）创造长期价值；（2）为未来几十年建立关系；（3）为自己塑造独特、真实的声音。……想要赢，最好的方式是成为独一无二的那个。他们有愿意花钱去解决的问题，而且这个需求还没有被满足（可能因为规模太小，不足以让较大的竞争者来抢市场）。"——第二章

关于"贡献"的具体姿势，书里有三个可执行的指令：在公众视野下工作、教你所知道的一切、每天创作。 为什么"教"这件事你总能做？因为：

“如果你总是在学习，那么你将总有东西可以教别人，帮他们厘清下一步怎么做最好。"——第二章

还有一条关于投入度的提醒也很实在：

“你不需要全身心投入你所加入的每个社区，但是你必须要把你的一方面投入进去，这一方面必须完全真实。正是时间与弱点的结合带来了人际关系的建立和成长。"——第二章

3.3 一夜成名是个神话

书里反复强调：你在社区里的影响力是按"年"积累的。作者给出的节奏大约是：持续贡献，先帮别人，别急着卖东西。 很多人栽在这一步——刚进群就发广告，直接被当成 spammer。

3.4 选问题：解决你自己的问题

选什么问题去解决？作者的建议优先级：

你自己的问题（最优）：你是用户，你懂痛点，你做出来自己就会用。
你身边人的问题：容易访谈、容易验证。
你观察到社区里反复抱怨的问题。

“如果你有一个问题，其他人很可能也有。如果你创造了一款解决自己问题的产品，那你至少会拥有一个用户——这比大部分初创公司获得的都多。而且，你在一天中的任何时刻都可以跟那个用户交流！"——第二章

“极简主义创业者没有数百万美元，也不想为人们制造问题。相反，我们认为人们已经有足够多的问题，而我们的作用就是帮助他们解决一个。……问题比生意多，你只需要找到它们。"——第二章

书中还总结了创造价值的四种基本方式，选方向时可以对照自检：

地理位置价值：让不容易得到的东西变得容易得到；
形式价值：通过重新排列现有组成部分，让某物更有价值；
时间价值：让慢的东西变快；
所有权价值：移除中间商。

另外有一段关于"为什么大家对自己的痛点视而不见"的观察，很扎心：

“大部分人在遭遇比最初预想的更困难或者更痛苦的情况的时候，都会错过这样的时机。他们的大脑很快就会适应，认定新的情况就是这样。大脑会认为，事情就应该这么难……我觉得这样过我们的生活是不对的。"——第二章

避坑点：不要解决"想象中的问题”。验证方法很简单——在社区里直接问：“如果我做一个 X 帮你解决 Y，你愿意付多少钱？” 没人愿意付钱的"痛点”，大概率不是真痛点。书里给出的提高成功率的法门也呼应这一点：

“最大限度地提高你成功率的方法之一，是专注于较小的产品，专注于你是核心成员的社区，对于自己是否在有效地解决问题保持坦诚。"——第二章

四、第 3 章：越少越好——先做流程，后做产品

4.1 “从流程开始，最后创建”

这是全章的核心，也是和传统产品方法论差别最大的地方。极简创业的产品化路径是：

flowchart TD
    A[手工服务<br/>先纯人工帮客户解决问题] --> B[流程化<br/>把服务步骤写成标准流程]
    B --> C[部分自动化<br/>最重复的环节用工具/代码替代]
    C --> D[产品化<br/>最后才写真正的产品]

“产品的创造是一个发现的过程，而不仅仅是执行的过程。"——纳瓦尔·拉维坎特（本书引用）

“产品化其实就是将一个流程发展成可以出售的东西。在流程化的阶段，你在帮助每一个客户的过程中，为自己创建了一个有价值的人工流程，建立了一个高效的体系。这样，你就准备好产品化了，也就是说，你将每一个任务自动化，以便人们在你不参与的情况下可以注册、使用并付款购买你的产品。"——第三章

“系统创建这一有价值的人工流程，并记录为了完成它你所采取的步骤，将有助于你弄清楚哪些奏效、哪些不行。它也会帮助你发现你在创造的是不是人们真正需要或者会购买的东西。"——第三章

举例：如果你想做一个"帮自由职业者开发票"的工具，正确的顺序是——先手动帮 5 个朋友开发票，搞清楚每一步；把步骤整理成清单和模板；用简单工具自动化最烦的部分；最后才考虑写软件。

好处有两个：

你在写第一行代码之前，就已经验证了整个流程是有人要的。
你真正理解了问题的每个细节，写出来的产品不会跑偏。

4.2 验证假设、克制与"早早交付，经常交付”

把一件事做好：MVP 只解决一个核心问题，解决透。功能列表砍到你心疼为止。
克制带来创意：资源少不是劣势，是过滤器——它逼你只做真正重要的事。
早早交付，经常交付：哪怕只有一个用户也发布，快速收反馈，快速迭代。

4.3 “我应该创建什么？"：四条生意路径 + 四条自检标准

书里总结了四条以最快、最高效的方式创建可持续生意的路径（很多极简主义企业都是从自由职业或业余项目起步的）：

通过数字内容出售你的知识：视频、电子书、播客、课程；
销售实物产品：商品或者有特色的系列产品；
将用户连接起来：收取固定费用或按比例收费（Gumroad 就是这种）；
软件即服务（SaaS）。

方向有了，再用作者自己的四条标准过筛：

我会喜欢它吗？ 创业耗时费力，会花上数年的时间，而且它越成功，你做得就越久。要创立一个成功的企业，你需要创造人们喜欢的东西；要坚持做下去，你需要创造自己喜欢的东西。

它本身能赚钱吗？ 应该有一条清晰的路径，以一种显而易见的方式为有价值的东西向人们收取费用。

它有内在增长机制吗？ 2020 年，Gumroad 的年收益仅凭口口相传就几乎翻了一番——如果不与他人分享就无法使用产品，等于把销售和市场工作"外包"给了客户群。

我有合适的天赋和技能来创建这个企业吗？ 如果生意需要大量推销电话才能启动，而你特别害怕跟人讲话，那这门生意可能不适合你。世界上有很多生意等着被创建，选择适合你的那一个。

五、第 4 章：瞄准你的前 100 个客户——销售不是纸上谈兵

5.1 前 100 个客户靠什么：手动、精准、一对一

flowchart TD
    A["前100个客户来源优先级"] --> B["1. 亲朋好友<br/>最快但样本有偏差"]
    A --> C["2. 你所在的社区<br/>信任度最高，转化最好"]
    A --> D["3. 陌拜：邮件/电话/私信<br/>量大但转化低，用来练话术"]
    B --> E[拿到第一批付费用户]
    C --> E
    D --> E
    E --> F["为庆祝而推出<br/>有了100个真实用户再公开Launch"]

关于"亲朋好友"这一档，书里有一句话很暖：

“很遗憾，并不是每个人都拥有一个支持自己的家庭。你完全可以选择一家人代替他们。"——第四章

5.2 要收费，多少都行

这一节是全书最"反直觉"也最实用的一条：从第一天就收费。

免费用户的反馈是失真的——他们不会为烂产品流失，你也就永远不知道哪里烂。
收费是对"这是不是真需求"最诚实的验证。哪怕只收 1 块钱。
价格可以低，可以涨，但不能是 0。

书里提到杰米·施密特（Schmidt’s Naturals 创始人）的例子：她从农贸市场摆摊开始，一瓶一瓶地卖，面对面听顾客的抱怨和夸奖，最后公司被联合利华收购。前 100 个客户的价值不在于那点钱，而在于他们教你把产品做对。

5.3 陌拜的正确姿势

陌拜邮件不是群发广告，要点：

提到对方具体的情况（证明你做了功课）；
说清楚你解决的问题和他的关系；
请求要小到对方容易答应（“能不能聊 15 分钟"比"试试我的产品"好）。

被拒绝是常态，把每次拒绝当成免费的客户访谈：问一句"为什么不需要”，答案比任何市场调研都值钱。

关于长期经营客户关系，书里这段话可以直接贴在办公桌前：

“建立关系是关键。你的生意会做很久，留住一个客户比找一个新客户容易得多。永远不要夸大宣传，要诚实、开放，始终保持友善。给他们看看你最近如何改进了产品，告诉他们你最近一次失败的经历。不要围绕你的产品来营销，围绕你这一路的旅程和收获来给他们启发。"——第四章

六、第 5 章：通过做自己来营销——制造粉丝，而不是头条新闻

“遗憾的是，大部分创始人不习惯将自己置于企业发展的故事的中心。但是你需要这么做。人们不在乎企业，他们在乎别人。而你已经从一无所有到创立了事业，热爱所做的事。你不需要分享自己午餐吃了什么，但你应该将那些来之不易的收获与世界分享。"——第五章

6.1 极简主义营销漏斗

这是全书最值钱的一张图，我按书里的结构重新画了：

flowchart TD
    subgraph TOP["漏斗顶部：陌生人"]
        A1["社交媒体：教学、激励、娱乐"]
        A2["SEO：让人搜问题的时候找到你"]
    end
    subgraph MID["漏斗中部：关注者"]
        B1["邮件列表：你自己的地盘，不怕平台算法"]
        B2["社区互动：持续给价值，不卖货"]
    end
    subgraph BOT["漏斗底部：客户"]
        C1["销量：水到渠成"]
    end
    TOP --> MID --> BOT
    C1 -.->|满意的客户变成口碑| TOP

6.2 漏斗顶部：社交媒体从哪开始

作者的答案简单到不像建议：选一个平台，持续发，发你真正懂的东西。 内容分三个层次，每一层都比上一层更有潜在影响力：

教学（Teach）：教别人你会的东西。这是建立信任最快的内容。
激励（Inspire）：分享你的历程、失败和转折。
娱乐（Entertain）：让人愿意停留。

担心自己不够格教别人？书里的回答：

“你不必是一个天才，或者假装是天才，你只需要在至少一件事上领先你的受众一步。"——第五章

比例上教学类应该占大头。原则还是那条：先给予，后索取。 对"完美主义拖延症”，书里有一句直接的对治：

“它不需要精打细磨，不需要制作，也不需要十全十美。最重要的是每天安排一定的时间，开始行动。"——第五章

6.3 漏斗中部：邮件列表是最重要的资产

社交平台的粉丝是平台的，邮件订阅者才是你自己的。算法一变，百万粉丝可能一夜归零；邮件列表不会。书里劳拉·罗德（MeetEdgar 创始人）的案例就是：靠内容 + 邮件列表，把 SaaS 做到百万美元年收入。

6.4 不到最后不花钱，钱要花在客户身上

极简营销的两条军规：

能不花钱就不花钱：付费广告是放大器，产品不行的时候投广告只是加速烧钱。先靠内容和社区验证转化。
花钱优先花在现有客户身上：让已经付费的人更满意（更好的服务、意外的惊喜），他们会替你拉来新客户，ROI 远高于买流量。

七、第 6 章：有意识地跟企业一起成长

7.1 不过度开支：盈利的纪律

flowchart LR
    A[收入] --> B{先问自己}
    B -->|这笔钱非花不可吗| C[花]
    B -->|能不能更便宜/更慢地解决| D[不花或推迟]
    C --> E[保持盈利]
    D --> E
    E --> F[盈利带来自信<br/>自信带来好决策]

作者自己的教训最生动：Gumroad 拿到融资后搬进旧金山豪华办公室、快速招人，开支跟着估值走而不是跟着收入走，最终被迫裁员 75%。他的结论：开支是唯一你能完全控制的变量，盯住它。

几条具体纪律：

尽量远程，别急着租办公室；
能用工具解决的事别急着招人；
给自己发"够生活但不奢侈"的工资。

7.2 从社区筹资、建立盈利自信

如果需要钱，优先顺序是：客户付费 > 社区众筹/预售 > 小额贷款 > 风险投资。每往下一格，你让渡的控制权就越多。书里特别强调：盈利能力本身就是最好的融资——盈利的公司不缺投资人，而且你有底气说"不”。

“传统融资方式最大的问题在于，你创造了两组不同的利益相关者：你的投资人和你的客户。这种新的方式（从社区筹资）能够使创业者通过将客户转化为投资者来尽可能地降低情况的复杂性。"——第六章

7.3 保持精力充沛，保持理智

创业是马拉松。作者的建议朴素但真实：睡眠、锻炼、和联合创始人充分交流（定期坦诚对话，把不满说出来，别攒到爆发）。很多公司不是死于竞争，是死于创始人 burnout 或合伙人内讧。

关于合伙人沟通，书里引用了婚姻治疗师戈特曼夫妇的研究，非常实用：

“著名的治疗专家约翰·戈特曼和朱莉·戈特曼是一对夫妻，他们通过’启示录四骑士’（开始出现在一段关系中的四种沟通方式）来预测关系的结局：（1）指责，（2）鄙视，（3）辩解，（4）冷战。"——第六章

这四种沟通方式一旦出现，关系基本在走向终点——对联合创始人关系同样成立。对照自查：你们最近的争论里有没有这四骑士出没？

八、第 7 章：建造你想住的房子——价值观要早定、常讲

这一章的比喻很好：公司是你自己要住很多年的房子，装修成什么样，决定了你每天醒来想不想去上班。

8.1 界定价值观：早早做，经常做

价值观不是挂在墙上的口号，而是做困难决策时的依据——比如"客户成功优先于收入增长"这种能在两难时刻帮你做选择的话。
越早定越好，而且要反复讲、反复校准。书里 Simply Eloped 的案例：公司在快速扩张中文化走样，靠重新明确价值观回到正轨。

关于"透明"为什么是核心价值观之一，书里这段关于行为与意图的分析很深刻：

“我在经营企业的过程中学到的最深刻的道理是行为和意图是两码事。行为是一个人在做的事，意图是他做这件事的原因。大部分人根据自己的意图评价自己，但根据别人的行为评价别人。透明度要求即使不能完全避免这种情况，也能让它变得较难发生。"——第七章

8.2 留意彼得原理 + 建立责任制

彼得原理：人会被提拔到自己不胜任的位置。好工程师不等于好工程经理——别把晋升当奖励，给高手"不当管理者也能涨薪"的通道。
责任制：每个人清楚自己对什么结果负责。远程/小团队时代，默认异步沟通、默认书面记录、默认信任。

书里说透了好管理者的本分，标准相当高：

“管理人员的问题在于，他们并没有真的在乎并投入时间和精力去帮助他们所管理的人取得成功。有时候，这不仅是关注并帮助员工在工作任务上取得成功，还在于关心他们的职业抱负和成长（超越你公司可能要求的水平），并投入时间和精力。这是每个涉及其中的人的长期游戏。这甚至可能意味着鼓励你的员工离开，在其他地方寻找更大的成长空间。"——第七章

作者自己用来做优先级排序的工具，是加里·凯勒在《最重要的事只有一件》里的那个经典问题：

“每当需要决定下一步该做什么的时候，我都会问自己：‘哪一件事情是你做过以后能够使其他事情变得更容易或者不必再做的？’"——第七章

8.3 招人看上去跟"炒掉自己"很像

招人的本质是把你自己手里的事交出去。所以：

只在你已经亲自做过、知道这事该怎么做之后，才招人来做；
适合是双向的——面试时也坦诚告诉候选人公司的真实情况（包括缺点），骗来的人留不住。

九、第 8 章：我们要何去何从——赚到钱之后，赚取时间

终章的视野从"生意"升维到"人生”：

你已经赚到钱了，现在赚取时间：盈利的真正回报不是更多的钱，是自主权——你可以决定把时间花在哪。
创造更多创作者：Gumroad 的终局不是平台本身，而是让更多人能靠创作谋生。好生意会外溢。
放手：建立能自我运转的系统，让公司不依赖你也能活——这才是真正的自由。

第八章引了一首小诗作结，放在这里很合适：

我们生来就要在一片混沌的田野中穿行。但是，我们不会迷路和无助，因为在我们之前来的每一个行者都在身后为我们留下了可以追随的踪迹。

——罗伯特·摩尔

十、极简创业 vs 传统独角兽创业：一张对照表

维度	传统独角兽路径	极简创业路径
起点	颠覆性创意 + BP	你所在的社区 + 真实痛点
第一笔钱	天使轮/VC	前 100 个客户的付款
增长逻辑	烧钱换规模，赌赢家通吃	盈利换时间，服务好特定人群
营销	买流量、造声势	做自己：教学、激励、娱乐
团队	快速扩张	能少就少，远程优先
成功定义	估值、退出	持续盈利 + 你想要的生活

十一、避坑清单：把书里的教训翻成"别做什么”

这部分是我把全书散布的教训集中整理成的一份实操避坑表，新人建议收藏：

别先写代码再找用户。顺序永远是：社区 → 痛点 → 手工服务 → 流程 → 产品。反着来的项目死亡率极高。
别做免费产品来"验证需求”。不收费的验证都是假验证，第一天就定价，哪怕 1 块钱。
别一上来就想服务所有人。“给所有人做的产品"等于"没人为它专门而来”。具体到人群、具体到场景。
别刚进社区就卖东西。先贡献、先帮忙、先教别人。信任攒够了，销售是顺带的事。
别在早期雇人做你没做过的事。你没亲手做过销售就雇销售，大概率钱和人都打水漂。
别把融资当里程碑庆祝。融资是负债的一种形式，客户的付款才是资产。拿到钱 ≠ 生意成立。
别让开支跟着估值跑。办公室、头衔、团建……每一笔都问"不花行不行”。开支是你唯一能完全控制的变量。
别迷信一夜成名和爆款发布。影响力按年积累，发布只是漫长过程中的一天。先有 100 个真实用户，再搞 Launch。
别把全部身家押在平台流量上。粉丝是平台的，邮件列表是自己的。尽早把人沉淀到你能直接触达的地方。
别把晋升当奖励。好员工被提成烂经理是双输（彼得原理），给专业线和管理线两条通道。
别和联合创始人"攒矛盾”。定期坦诚对话，不满不过夜，警惕指责、鄙视、辩解、冷战这"四骑士”。公司死于内讧的比例远高于死于竞争。
别把自己当耗材烧。盈利的公司死于创始人 burnout 太可惜了——睡眠和锻炼不是奢侈，是基础设施。

十二、我的一点延伸思考

这本书写于独立开发和创作者经济兴起的大背景下，放到今天（AI 工具大爆发、一个人能撬动过去一个团队的产能）反而更成立了：

AI 放大了"越少越好”：一个人 + AI 就能完成过去 5 个人的 MVP，“先流程后产品"的验证成本降到前所未有的低。但反过来，做出产品的门槛低了，“选对社区、选对问题"变得比以前更重要——因为人人都能做产品，理解人群才是壁垒。
“通过做自己来营销"在中文语境同样成立：公众号、即刻、小红书、B 站上的独立开发者，走出来的路径几乎就是书里漏斗的翻版——持续输出有用的内容 → 沉淀私域 → 收费产品。
这本书最大的价值可能不是方法，而是许可：它告诉创业者，不追独角兽、不拿融资、公司只有几个人，不是失败，是一种完全可以的、甚至更幸福的活法。

一句话总结全书：找到你爱的人群，解决他们真实的问题，从第一天就收费，用最少的成本持续盈利，然后建造一家你自己也想待下去的公司。

《浪潮之巅》读书笔记：程序员创业故事的兴衰规律，与 AI 大模型时代的新机会

Wed, 13 Nov 2024 16:00:00 +0800

《浪潮之巅》读书笔记：程序员创业故事的兴衰规律，与 AI 大模型时代的新机会

参考书籍：吴军《浪潮之巅》（On Top of Tides）。目标读者：想创业、正在做副业、或者想看清技术周期位置的程序员。阅读目标：把书中十几个公司的兴衰故事，提炼成"为什么会赢、为什么会死"的规律，再追问一个问题——如果换成 AI 大模型时代，这些故事会怎么改写？

《浪潮之巅》表面上写的是 AT&T、IBM、苹果、微软、Google 这些公司的历史，实际上写的是一件事：技术浪潮每隔十几年就来一次，每一次都会成就一批新公司、埋葬一批旧巨头。而能不能站上浪尖，靠的不只是技术，还有时机、商业模式和基因。

作为一个写代码的人，我读这本书的角度比较功利：这些公司当年是怎么从"几个人 + 一个技术想法"长成千亿帝国的？它们后来又是怎么死的？以及最重要的——今天 AI 大模型这一波浪潮，和当年有什么相同和不同？

这篇文章分五部分：

全书的核心规律（先建立框架）；
逐个复盘经典创业故事，每个故事末尾分析"AI 时代的新思路"；
盘点这些案例背后的核心算法、数学工具与创新工具；
浪潮的幕后生态：风投、投行、斯坦福、印钞机商业模式与金融风暴；
我的思考和给程序员的行动清单。

一、先立框架：浪潮是怎么起落的

吴军判断一个行业是否有"浪潮"，看的是三个东西是否同时出现：

flowchart TD
    A["技术突破<br/>晶体管 / 集成电路 / PC / 互联网 / AI"] --> D["浪潮形成"]
    B["商业模式成立<br/>有人愿意付钱"] --> D
    C["基础设施成熟<br/>芯片 / 网络 / 云"] --> D
    D --> E["新公司崛起<br/>抢到生态位"]
    D --> F["旧巨头衰落<br/>被基因锁死"]
    E --> G["行业格局固化<br/>70-20-10"]
    G --> H["下一次技术突破<br/>周期重来"]
    H --> A

书里最经典的几个规律，先列出来，后面的故事都会反复用到：

规律	内容	一句话理解
摩尔定律	每 18 个月，同样价格能买到的计算性能翻一倍	硬件公司必须跑得比贬值快
反摩尔定律	如果一个公司今天和 18 个月前卖掉同样多的产品，营业额就要降一半	不进则退，原地踏步就是倒退
安迪-比尔定律	Andy (Intel) gives, Bill (Microsoft) takes away	硬件提升的性能会被软件吃掉，逼用户升级
70-20-10 律	市场成熟期：老大占 70%，老二占 20%，其余分 10%	信息产业没有"并列第一"
基因决定论	公司的基因决定了它能做什么、不能做什么	转型难，不是因为笨，是因为基因不匹配
诺威格定律	当一家公司市场份额超过 50% 后，就无法再翻番了，必须寻找新增长点	增长见顶后，扩张方向决定生死

这几个规律就像物理定律一样，在后面每个故事里你都会看到它们起作用。

二、创业故事逐个复盘 + AI 时代的新思路

2.1 AT&T 与贝尔实验室：技术最强 ≠ 活得最好

故事：贝尔实验室是 20 世纪最伟大的研究机构——晶体管、UNIX、C 语言、信息论（香农）、激光、蜂窝通信，全出自这里。AT&T 靠电话垄断躺赚几十年。但 1984 年反垄断分拆、1995 年主动拆分后，AT&T 一心只想快速赚钱，把设备业务（朗讯）和贝尔实验室拆出去卖钱，最终百年帝国在宽带浪潮中沦为配角。

教训：

垄断利润会腐蚀创新能力——赚钱太容易，就没人关心十年后；
分拆的决策如果只服务于股价而不是技术布局，等于自杀；
贝尔实验室的发明无数，但很多（比如 UNIX）没有变成自己的商业帝国，技术是别人的嫁衣。

AI 时代的新思路：

今天的 OpenAI、DeepMind 某种程度上就是新的"贝尔实验室"——基础模型能力外溢，全世界开发者免费搭车。对创业者来说这意味着：

不要去和"新贝尔实验室"拼基础研究，那是巨头的军备竞赛（训练一个前沿模型要几亿美元），创业公司玩不起；
但贝尔实验室的历史也证明：实验室的成果会外溢，机会在应用层。开源模型（LLaMA、Qwen、DeepSeek）就是新时代的"UNIX"，谁能在开源底座上长出垂直应用，谁就是新时代的 DEC、Sun；
反向借鉴：如果你做 AI 应用，要警惕 AT&T 的教训——不要把核心能力完全外包给模型厂商。API 一涨价、一断供，业务就没了。创业公司至少要掌握数据、场景、工作流中的一个作为护城河。

2.2 IBM：大象也能跳舞，但只在 B 端

故事：IBM 做了几十年大型机，错过 PC 浪潮的开端后，靠 IBM PC 杀回来，却意外养大了两个掘墓人——Intel（芯片）和微软（操作系统），“安迪-比尔定律"由此得名。90 年代 IBM 濒临破产，郭士纳把它从硬件公司转型为 IT 服务公司，活了过来。后来又剥离 PC（卖给联想）、押注咨询和云计算。

教训：

基因决定论的正面案例：IBM 的基因是服务企业客户，所以转型服务能成；它想做消费级产品（OS/2 输给 Windows）就是不行；
开放的架构（IBM PC 兼容机）会杀死架构的创造者——你定义了标准，别人踩着标准绕开你。

AI 时代的新思路：

IBM 的故事在今天几乎原样重演：大模型基础设施层（芯片、云、基础模型）正在被英伟达、微软、Google 这些"新巨头"定义标准。创业思路：

学 IBM 的服务转型，做"AI 时代的埃森哲”：大量传统企业知道要用 AI 但不会落地，垂直行业的 AI 咨询 + 交付 + 托管运营是一个真实存在且现金流健康的生意，不性感但赚钱；
警惕"IBM PC 陷阱"：如果你基于某个大模型平台的开放接口做产品，要想清楚——你是在利用平台，还是在给平台培养市场？ 当你的场景被验证后，平台自己会下场（看看 ChatGPT 的 GPTs 埋葬了多少套壳应用）。

2.3 苹果：产品公司的浪漫与代价

故事：1976 年，沃兹尼亚克的技术天才 + 乔布斯的产品直觉，在车库里做出 Apple I/II，开创了个人电脑产业。1984 年 Macintosh 定义了图形界面，但乔布斯坚持封闭、软硬件一体，在 80-90 年代被"微软 + Intel + 兼容机"的开放联盟打得只剩个位数份额，乔布斯被赶出自己创立的公司。1997 年回归后，靠 iPod、iPhone、iPad 三次站上浪尖——这一次，封闭生态赢了，因为时代变了（软硬件一体化的体验优势在移动端成立）。

教训：

同一个策略（封闭），在 PC 时代是死路，在移动时代是活路——没有永远正确的战略，只有和时代匹配的战略；
乔布斯的强项是"定义产品"而不是"发明技术"：图形界面来自施乐 PARC，触摸屏技术也不是苹果发明，但苹果把它们做成了普通人能用的东西。

AI 时代的新思路：

苹果故事对 AI 创业最大的启示是体验集成：

大模型能力是"原子能力"，就像当年的图形界面技术——实验室里有，但普通人用不上。把模型能力包进一个普通人能用的完整产品里，就是苹果式的创业思路。Cursor（AI 编程）、Perplexity（AI 搜索）、Midjourney（AI 绘画）都是这个路子：模型不全是自己的，但体验是自己的；
另一个思路是软硬结合：AI Pin、Rabbit R1 虽然失败了，但"AI 时代的 iPhone 时刻"还没真正到来，智能眼镜、AI 玩具、陪伴机器人这条路上还会有新的苹果式公司出现；
但也要记住乔布斯 1985 年的教训：在产品体验还没打磨好之前，不要迷信情怀和先发。Vision Pro 的昂贵教训也说明，AI 硬件创业要控制节奏。

2.4 微软：商业模式的创新比技术创新更致命

故事：盖茨和艾伦 1975 年为 Altair 写 BASIC 解释器起家。微软真正的转折点不是技术，而是两笔生意：花 5 万美元买 DOS 转手授权给 IBM，以及坚持只授权、不转让版权的商业模式——PC 兼容机越多，微软越赚钱。之后靠"免费捆绑"杀死网景，靠 Office 建立生态，靠 Windows 统治桌面二十年。但微软错过了互联网（IE 赢了浏览器却输了互联网），错过了搜索，错过了移动，直到纳德拉转型云计算（Azure）才重回巅峰。

教训：

商业模式本身就是护城河：DOS 不是最好的技术，但授权模式让它无处不在；
反垄断拆分差点毁了微软，但失去垄断地位反而逼着它开放和转型——垄断保护的是短期利润，杀死的是长期嗅觉；
比尔·盖茨的精明在于：他从第一天就明白软件的价值在于复制成本为零，这是信息产业的底层逻辑。

AI 时代的新思路：

微软今天用 Azure + 投资 OpenAI 的方式重演了当年"IBM PC"的操作：不自己发明最强的技术，而是绑定最强的技术再卖给企业客户。创业者可以学这一招：不训模型，绑定模型生态做生意——比如做模型和企业私有数据之间的中间层（RAG、Agent 编排、权限治理），这是大模型时代"操作系统级"的位置；
反摩尔定律依然有效：AI 应用如果你 18 个月不迭代，模型能力追上来就把你的功能变成"模型自带"（套壳应用批量死亡就是这个原因）。创业的功能壁垒必须建在模型能力进化曲线够不到的地方——行业 know-how、私有数据、监管资质、线下交付。

2.5 Intel：摩尔定律既是礼物也是绞索

故事：摩尔、诺伊斯、格鲁夫 1968 年创立 Intel。1980 年代日本存储器把 Intel 逼到绝境，格鲁夫果断砍掉起家的存储器业务，All in 微处理器，押注 IBM PC，从此"Intel Inside"统治了 PC 时代三十年。但 Intel 错过了移动（ARM 低功耗路线），又在制程上被台积电反超——它在 CPU 这个生态位上做到了极致，也因此被这个生态位锁死。

教训：

摩尔定律驱动下的行业，老二没有生存空间（反摩尔定律），所以 AMD 几十年都活得艰难；
格鲁夫"砍掉存储器"的决断是全书最经典的转型案例：最难的不是看到新方向，而是放弃正在赚钱的旧业务。

AI 时代的新思路：

Intel 错过移动、英伟达押中 AI，说明每一波浪潮的"卖水人"位置都会换人。这一波浪潮的芯片红利（英伟达）创业公司基本没机会，但"卖水"不只有芯片：数据标注、评估体系（Evals）、推理成本优化、模型部署工具链，都是 AI 时代的"卖水生意"；
格鲁夫式思路的 AI 版：如果你现在做的产品/服务，18 个月后会被模型能力的进步直接覆盖（比如简单的文案生成、简单客服），那就该像 Intel 砍存储器一样现在就砍，别等现金流断掉再转。

2.6 思科：斯坦福教授夫妇的"路由器即卖水"

故事：1984 年，斯坦福两个系的机房主任（莱昂纳德·波萨克和桑蒂·勒纳夫妇）想让校园网里不同协议的机器互相通信，发明了多协议路由器。思科的聪明之处不只是发明了路由器，而是赶上了互联网爆发——不管谁在网上淘金，都要买它的路由器。思科也通过持续并购保持技术领先，2000 年市值一度全球第一（5000 亿美元+），随后互联网泡沫破裂跌落，但至今仍是网络设备霸主。

教训：

卖水生意是浪潮里最稳的位置：淘金者九成九会死，卖水的活得最好；
思科的并购机器说明：技术公司到一定规模后，创新可以"买"来，但整合能力是自己的。

AI 时代的新思路：

AI 时代的"路由器"是什么？候选答案：推理基础设施（GPU 云、模型托管）、数据管道、Agent 之间的通信协议（比如 MCP 这类协议如果成为事实标准，围绕它的工具链就是路由器生意）；
思科式创业的现代版本：不赌哪个模型赢，服务所有用模型的人。向量数据库（Pinecone、Milvus）、模型监控（LangSmith）、推理优化（vLLM）都是"AI 淘金潮里的卖水人"。这个思路的风险是——云厂商会把卖得最好的"水"自己做掉，所以卖水也要卖到深水区（复杂场景），不能在浅水区。

2.7 网景：起得最快，死得也最快

故事：1994 年，伊利诺伊大学的学生马克·安德森写了 Mosaic 浏览器，和 SGI 创始人克拉克创立网景，把互联网从学术圈带给了普通人。网景 16 个月就上市，创造了互联网造富神话。但微软用"免费捆绑 IE"直接攻击其收入根基，网景 4 年就被迫卖给 AOL。它的遗产却极其深远：JavaScript、SSL、cookie，以及安德森后来创立 a16z 成为硅谷顶级风投。

教训：

单一产品、单一收入来源，在巨头面前没有防御纵深；
先发的优势如果没有转化为生态，就只是"帮巨头验证市场"；
安德森本人的轨迹也很有意思：创业被巨头碾过后，转身成为投资人——把对浪潮的理解变成了另一种杠杆。

AI 时代的新思路：

网景的死法在 AI 时代每天都在重演：功能型应用被平台顺手做掉。

对照自查：如果你的产品是"一个 Prompt 包一层壳"，那你的命运就是网景 2.0——ChatGPT/Claude/豆包下一次更新就会把你变成系统自带功能；
网景式生存策略：做平台不方便做的事。微软能免费捆绑浏览器，但做不了垂直行业的脏活累活。AI 创业要找"巨头捆绑不了"的东西——需要线下交付的、需要行业牌照的、需要和企业数据深度耦合的；
另一个思路是学安德森的转身：如果做产品打不过，就做这波浪潮的投资人/生态位观察者——程序员做技术自媒体、做 AI 早期投资、做开发者社区，本质都是把认知变现。

2.8 雅虎：开创了模式，却被模式淘汰

故事：1994 年，斯坦福博士生杨致远和费罗把喜欢的网站整理成目录——“Jerry’s Guide to the World Wide Web”，后来变成 Yahoo!。雅虎定义了门户网站、开创了"免费 + 广告"的互联网商业模式，是所有中国第一代互联网公司的老师（新浪、搜狐、网易都在抄它）。但雅虎骨子里是媒体公司而不是技术公司：它用人肉编辑整理目录，对搜索技术不上心，把搜索外包给 Inktomi、又外包给 Google——等于亲手喂养了掘墓人。错过收购 Google（两次）、错过收购 Facebook，最终在移动互联网时代彻底掉队，2017 年被 Verizon 收购。

教训：

雅虎开创了"免费 + 广告"，但它不懂广告的效果要靠技术优化——Google 用算法把广告做成了精准匹配，雅虎还停留在卖展示位；
把核心能力（搜索）外包，是科技公司最危险的决定之一；
雅虎之鉴：路径依赖——目录时代太成功，以至于无法理解搜索时代。

AI 时代的新思路：

雅虎的历史正在 AI 时代重放：很多"AI 应用公司"其实在做新时代的"人肉目录"——靠运营、靠内容编辑堆出来的 AI 产品，模型一升级，人肉部分的价值就清零。自查标准：你的产品价值里，有多少比例会被下一代模型免费赠送？
雅虎教训的正面用法：永远不要外包你的核心差异化能力。AI 创业可以外包模型（反正模型在商品化），但不能外包：用户关系、数据闭环、行业 know-how；
新机会：雅虎当年"帮用户找到信息"的需求，在 AI 时代变成了"帮用户做决策"。AI Agent 版黄页/目录 + 自动执行（帮用户找服务、比价、下单、售后）是一个还没被做好的大方向——雅虎只做到了"找到"，AI 可以做到"办完"。

2.9 Google：技术信仰者的胜利

故事：1996 年，斯坦福博士生佩奇和布林发明 PageRank——用网页间的链接关系给网页排名，搜索质量碾压当时的所有对手。Google 的伟大在于几件事同时做对：技术（PageRank + 分布式系统）、商业模式（AdWords 竞价排名，把广告做成了可度量的效果生意）、文化（工程师主导、“不作恶”）、以及不惜血本投入基础设施（自己造服务器、建数据中心）。之后 Android 赌中移动、收购 YouTube 赌中视频，但也在社交（Google+）、通讯等赛道上屡战屡败。如今 Google 面临创立以来最大的挑战：ChatGPT 直接攻击搜索的根基——用户要的不再是链接列表，而是答案。

教训：

Google 是全书里最"技术至上"的公司，但它的胜利其实是技术 × 商业模式 × 基础设施的复合胜利，缺一个都不成立；
诺威格定律：搜索份额见顶后，Google 靠 Android、YouTube、云找到新增长曲线，这是它能活过 25 年的关键；
但它今天的困境也证明：没有任何生态位是永久的，包括搜索本身。

AI 时代的新思路：

Google 自己证明了基础设施投入是长期主义的壁垒。AI 创业的对应版本：为 AI 时代重建基础设施——AI 原生的数据库、AI 原生的安全、AI 原生的办公套件。不要想着"在旧软件里加 AI 功能"，而要问"如果从零开始为 Agent 设计，这个东西应该长什么样"（比如，为 Agent 而不是为人类设计的 API、为 AI 编程协作设计的代码仓库）；
“用户要答案不要链接"这个趋势里藏着新一代 Google 的机会：垂直领域的答案引擎——法律、医疗、科研、金融，通用模型答不准、答不全的地方，就是垂直答案引擎的立足点（Perplexity 已验证通用版，垂直版还大有空间）;
Google 的多元化（诺威格定律）对创业者的启示：单一 AI 产品的天花板来得会比想象中快，从第一天就想好第二个增长曲线，哪怕只是方向性的。

2.10 衰亡者群像：摩托罗拉、诺基亚、Sun 的共同死因

书里同样重要的反面教材：

摩托罗拉：发明了手机，但铱星计划（技术浪漫主义的极致——66 颗卫星覆盖全球，却没人买单）拖垮了它，数字手机时代又反应迟钝；
诺基亚：功能机时代的霸主，不是没看到智能机，而是功能机太赚钱，组织无法自我革命；
Sun：斯坦福四人创业（Workstation 工作站 + Solaris + Java），Java 改变世界却没赚到钱——技术影响力 ≠ 商业变现。

flowchart LR
    subgraph 死因分析
        A1["摩托罗拉<br/>技术浪漫主义<br/>铱星计划"] --> B["共同死因"]
        A2["诺基亚<br/>旧业务太赚钱<br/>无法自我革命"] --> B
        A3["Sun<br/>有技术影响力<br/>没有变现闭环"] --> B
        B --> C["把上一波浪潮的成功<br/>当成了永恒"]
    end

AI 时代的新思路：

反用诺基亚之死：传统行业的"功能机巨头”（旧软件、旧服务）越赚钱，越不可能自我 AI 化——这就是创业公司替他们服务/替代他们的窗口期。看看哪些行业还在用十年前的软件收钱，那里就有 AI 替代的机会；
反用 Sun 之死：做 AI 开源项目获得影响力之后，必须在一开始就设计变现路径（托管服务、企业版、生态分成），否则影响力就是给别人做嫁衣；
反用铱星计划：AI 项目先做需求验证，再堆技术。铱星的教训是"技术上可行"和"商业上值得"之间隔着一条银河。今天很多"用 AI 做 XX"的项目，本质都是小型铱星——工程师的浪漫，市场的灾难。

2.11 仙童半导体：“八叛徒"与硅谷的诞生

注：《浪潮之巅》第四版（2019）新增了"新兴科技与初创企业"相关内容，补充了仙童、Facebook、特斯拉等案例。本节起为新版内容补记。

故事：晶体管发明人之一、诺奖得主肖克利 1955 年创办肖克利半导体实验室，招到八个天才年轻人，但他管理专断多疑。1957 年，八人集体出走（肖克利骂他们是"八叛徒”），在投行职员阿瑟·洛克（Arthur Rock）牵线下，由仙童摄影器材公司出资创立了仙童半导体。仙童做出两件改变历史的事：赫尔尼发明平面工艺，诺伊斯在此基础上于 1959 年发明硅集成电路。但东海岸母公司不断抽走利润、拒绝给员工股权，人才开始外流：1968 年诺伊斯和摩尔创立 Intel，1969 年桑德斯创立 AMD，斯波克执掌国家半导体，克莱纳后来创立硅谷最传奇的风投 KPCB。仙童被称为"半导体产业之母"——硅谷的"硅"、风险投资模式、股权文化，全从这一家公司开始。

教训：

肖克利手握最好的技术天团却留不住人——技术号召力代替不了管理与激励；
母公司把仙童当提款机、不给股权，等于亲手把核心技术连同人才一起送走——仙童最后活成了"半导体军校"，专门给对手培养创始人；
仙童最大的遗产不是产品，而是三样"制度发明"：集成电路、风险投资交易结构（洛克的那笔投资是现代 VC 的模板）、员工股权激励文化。

AI 时代的新思路：

今天的 OpenAI 正在上演"仙童时刻"：核心团队出走创立 Anthropic、SSI、Thinking Machines 等公司——大模型行业的人才外溢路径和当年半导体业一模一样。对创业者的启示：巨头研究院动荡期，是创业公司捡顶级人才的最佳窗口；
反面自查：如果你的创业公司没有设计好股权和期权，你就是下一个仙童——“AI 产业之母”，专门给别人培养 CTO；
仙童故事还催生了一个"创新工具"——风险投资本身。AI 时代的对应物是：算力换股权（云厂商以 GPU 资源入股）、开源换生态位（开源模型换取开发者标准地位）。融资工具的演化，本身就是创业机会的一部分。

2.12 Facebook：把"关系"变成可计算的资产

故事：2004 年，扎克伯格在哈佛宿舍上线 TheFacebook，从校园一路扩张到全民。几个关键决策：坚持实名制 + 真实关系链（与 MySpace 的虚拟身份区隔开）；2006 年顶着全站骂声上线 News Feed（事后证明是社交产品的标配）；2007 年开放第三方平台；2012 年上市前后完成惊险的移动转型；收购 Instagram（10 亿美元）和 WhatsApp（190 亿美元）都堪称神操作。Facebook 的本质，是把全人类的"关系网"——社交图谱（Social Graph）——变成了一份私有、可计算、可卖广告的资产。

教训与规律：

梅特卡夫定律（网络价值 ∝ 节点数的平方）在社交领域发挥到极致：70-20-10 律在社交网络里表现为接近 100% 的垄断——挑战者哪怕产品好 10%，也搬不走用户的关系链；
但护城河也在变浅：TikTok 用**算法推荐（兴趣图谱）**绕开了社交图谱——不需要先有朋友关系，算法直接把内容喂给你。Facebook 被迫改名 Meta 押注元宇宙，至今没有赢回叙事权；
Facebook 的另一重身份是"工具工厂"：React、PyTorch、GraphQL、Cassandra 都出自它的工程团队——把内部工具开源，是建立行业标准地位的廉价手段。

AI 时代的新思路：

Facebook 的核心资产"社交图谱"正在被 AI 重构：Character.ai 这类 AI 陪伴产品证明了用户需要的未必是"真人关系链"，而是"被理解和被回应"。AI-native 的社交/陪伴产品是新一波社交创业的入口；
TikTok 用兴趣图谱打败社交图谱的历史会在 AI 时代重演：用 AI 直接理解内容和人，可以绕开冷启动最难的"关系网积累"——新社交产品不再需要先攒社交图谱；
工具开源策略依然有效：AI 公司把训练框架、Agent 框架开源，换的是标准制定权和人才向心力（看看 LangChain、vLLM 的位置就知道了）。

2.13 特斯拉：用软件和第一性原理重造汽车

故事：特斯拉 2003 年创立，2004 年马斯克领投入局。Roadster（2008）证明电动车可以很性感，Model S（2012）证明可以规模量产，Model 3 的"产能地狱"差点要了命，上海超级工厂（2019）证明了制造效率的极限。特斯拉的关键创新不在任何单点技术，而是把整个汽车产业的逻辑改写：用笔记本同款的 18650 电芯 + 电池管理系统（BMS）拼出电池包；用 OTA 软件升级让车"越开越新"；直营绕过经销商体系；超级工厂垂直整合，把供应链攥在自己手里。

教训与规律：

第一性原理：马斯克算过账——电池组按原材料市场价计算远低于当时的市场售价，中间的差价是"历史惯性"而不是物理必然，所以自己造。这是全书中罕见的"用物理学思维做商业决策"的样本；
软件定义硬件：车变成了"轮子上的计算机"，安迪-比尔定律开始在汽车行业生效——硬件利润越来越薄，价值向软件和数据迁移；
特斯拉是三浪叠加的受益者：锂电池技术进步 + 移动互联网（车作为终端）+ 自动驾驶 AI。单一浪潮成就产品，浪潮叠加才成就帝国。

AI 时代的新思路：

特斯拉模式 = 硬件公司的 AI 化模板：影子模式采集真实数据 → 云端训练 → OTA 下发 → 更好的模型，这套"数据飞轮"是 AI 产品的通用范式，机器人、无人机、工业设备都可以复制；
FSD V12 用端到端神经网络替代了三十多万行手写规则代码，证明**“数据和算力替代工程师规则”**的方法论成立——这个方法论正在外溢到通用机器人（人形机器人被普遍看作"下一个特斯拉"）；
第一性原理自查同样适用于 AI 创业：你产品的成本结构里，有多少是"历史惯性"？推理成本两年降两个数量级之后，很多昨天"不划算"的 AI 应用今天已经成立——重新算账，就是重新找机会。

三、技术底牌：十三个案例背后的核心算法、数学与创新工具

复盘完故事，值得单独盘一盘这些公司的"技术底牌"——它们当年手里到底握着什么牌。看完之后会发现一个规律：真正改变浪潮的，往往不是一个产品，而是一两个可复制的算法、一条数学定律、或者一个开创性的工具。

3.1 总览表

案例	核心算法 / 数学工具	创新工具 / 系统	后续影响
贝尔实验室	香农信息论、采样定理	晶体管、UNIX、C 语言、激光、蜂窝通信	几乎整个信息产业的数学与物理底座
IBM	关系模型（Codd，基于集合论/关系代数）	System/360 兼容机架构、FORTRAN、SQL 前身、RISC、硬盘	定义了"企业计算"和数据库产业
苹果（及施乐 PARC）	区域填充/位图图形算法（QuickDraw）	图形界面 GUI、鼠标、所见即所得、面向对象（Smalltalk，来自 PARC）	定义了人机交互范式
微软	浮点 BASIC 解释器（4KB 内存内实现）	MS-DOS、Windows、Office	证明"软件本身可以是商品"
Intel	摩尔定律（经验定律，指数增长）	4004 微处理器（单芯片 CPU）、x86 架构	硬件的"计时器"，整个产业的节拍器
思科	路由算法（距离矢量 RIP、链路状态 OSPF，底层是图论最短路径）	多协议路由器、IOS	让不同网络互联，互联网的地基
网景	RSA 公钥加密、混合加密（SSL）	浏览器、JavaScript、cookie、SSL	定义了 Web 应用形态
雅虎	（技术弱）目录分类法	门户、“免费 + 广告"模式	模式开创者，算法缺席者——这也是它的死因
Google	PageRank（马尔可夫链平稳分布）、广告拍卖机制（GSP/VCG 博弈论）	MapReduce、GFS、BigTable、后来的 Transformer	把"大规模分布式计算"变成标准工程能力
摩托罗拉 / 诺基亚 / Sun	六西格玛（统计过程控制）、蜂窝频率复用	移动电话（DynaTAC）、GSM、Java/JVM、SPARC RISC	Java 改变世界但没赚到钱
仙童半导体	平面工艺（光刻）、摩尔定律（1965 年论文的源头）	硅集成电路、风险投资交易结构、员工股权激励	硅谷的起点：集成电路 + VC + 股权文化
Facebook	梅特卡夫定律（网络价值 ∝ n²）、EdgeRank（信息流排序）、链接预测（好友推荐）	News Feed、Open Graph、React / PyTorch / GraphQL / Cassandra	把"关系"变成可计算、可卖广告的图资产
特斯拉	BMS 电池管理算法、端到端神经网络（FSD）、数据飞轮	OTA 升级、超级工厂、一体压铸、Dojo 超算	“软件定义硬件"的产业模板

3.2 几个值得单独讲的"硬核底牌”

香农信息论（贝尔实验室，1948）：整个信息时代的"牛顿定律”

香农在贝尔实验室发表的《通信的数学理论》，回答了两个问题：信息怎么度量？信道最多能传多少？

信息熵：

$$H(X) = -\sum_{i} p_i \log_2 p_i$$

信道容量（香农-哈特利定理）：

$$C = B \log_2 \left(1 + \frac{S}{N}\right)$$

直觉：$B$ 是带宽，$S/N$ 是信噪比。这个公式给所有通信系统划了一条理论上界——无论你的调制方案多聪明，都不可能超过 $C$。此后 70 年的调制解调器、3G/4G/5G、Wi-Fi，本质都是在逼近这条线。吴军在《数学之美》里反复强调的观点也源于此：好的数学模型能把"需要智能"的问题变成"可以计算"的问题。

关系模型（IBM，1970）：一篇论文开创一个产业

IBM 研究员 Codd 1970 年发表论文，把数据库建立在集合论和一阶谓词逻辑上：数据是关系（元组的集合），查询是关系代数运算（选择、投影、连接）。Oracle 的创始人 Ellison 正是读了这篇论文后抢先做出商用产品——这是"IBM 发明、别人收割"的又一例（和 PC 养大微软/Intel 如出一辙）。今天的 MySQL、PostgreSQL，乃至 NoSQL 之后又回归 SQL，都证明这个数学模型选对了一次，管了 50 年。

摩尔定律（Intel，1965）：一条经验曲线统治一个行业

严格说它不是物理定律，而是观察 + 自我实现的预言：

$$\text{晶体管数量}(t) \propto 2^{t / 18\text{个月}}$$

它的真正威力在于给了整个产业一个可预期的节拍器：软件公司敢按"两年后性能翻倍"来设计产品，风险投资人敢按这个节奏下注。反摩尔定律只是它的镜像。今天 AI 领域有类似的曲线——模型能力随算力/数据规模增长（Scaling Laws），推理成本每年数量级下降。创业者读摩尔定律的正确姿势，是把它当成"为两年后的成本结构做设计"的许可证。

路由算法（思科）：图论改变世界

互联网的核心问题之一是：数据包从 A 到 B 走哪条路？这正是图论里的最短路径问题：

OSPF（链路状态协议）：每个路由器掌握全网拓扑，然后跑 Dijkstra 算法算最短路径；
RIP / BGP（距离矢量/路径矢量）：每个路由器只知道邻居告诉它的距离，类似分布式 Bellman-Ford。

思科的商业天才不在于发明这些算法（它们来自学术界），而在于把这些算法固化进一台可靠、好卖的盒子里。这又是一个"算法公开、工程变现"的案例——和今天"Transformer 论文公开、应用公司变现"的结构一模一样。

SSL 与公钥加密（网景，1994）：数论给电商开门

网景为了让浏览器能安全地传信用卡号，发明了 SSL。底层是 RSA：

$$c = m^e \bmod n, \qquad m = c^d \bmod n$$

安全性依赖于"大整数分解困难"——知道 $n = p \times q$ 容易，从 $n$ 反推 $p, q$ 极难。SSL 用 RSA 交换对称密钥（混合加密），再用对称加密传数据。没有这套数论工具，就没有电商和网上银行——网景虽然死了，它留下的 SSL/TLS 至今保护着每一笔网上交易。

PageRank（Google，1996）：把互联网看成一个马尔可夫链

PageRank 的模型极其优雅：把网页看作节点、超链接看作边，假设一个"随机冲浪者"每次以概率 $d$ 沿链接跳转、以概率 $1-d$ 随机跳到任意页面。各网页的重要性就是这条马尔可夫链的平稳分布：

$$PR(u) = \frac{1-d}{N} + d \sum_{v \to u} \frac{PR(v)}{L(v)}$$

数学上等价于求转移矩阵的主特征向量，工程上用幂迭代反复乘到收敛。这个公式的天才之处：它把"网页质量"这个主观判断，转化成了图上的线性代数问题——这正是《数学之美》的核心思想在搜索上的复现（吴军本人就在 Google 做过搜索质量）。

Google 的第二张数学底牌是广告拍卖：AdWords 用广义二价拍卖（GSP）——出价最高者赢，但只付第二名的价格加一分。这来自博弈论里的 Vickrey/VCG 机制设计，让广告主有动力报真实估价。雅虎卖展示位是按"感觉"收钱，Google 按点击和转化收钱——算法把广告从品牌生意变成了可优化的数学问题，这就是两家公司命运分野的技术根源。

Transformer（Google，2017）：埋下今天浪潮的种子

《浪潮之巅》成书早于这一波，但 Google 2017 年的论文 Attention Is All You Need 提出了 Transformer：用自注意力机制替代循环结构，本质上是对序列中任意两个位置直接计算相关性权重，矩阵化之后可以大规模并行——这恰好完美匹配 GPU。历史开了个大玩笑：Google 发明了引爆大模型时代的算法，却被 OpenAI 抢先做成了产品——这几乎就是"IBM 发明关系模型、Oracle 收割"的 AI 翻版，再次验证了书里那句话：发明技术和站上浪潮之巅，是两回事。

六西格玛（摩托罗拉，1986）：统计学的工业应用

摩托罗拉发明的六西格玛质量管理，目标是每百万次机会缺陷数（DPMO）不超过 3.4。它基于正态分布：$\pm 6\sigma$ 覆盖了 99.99966% 的情形。数学上很朴素（均值、方差、控制图），但它证明了统计学本身就是一种可以卖到全世界的管理产品。讽刺的是，发明六西格玛的公司死于战略失误——质量控制救不了方向错误，再好的 $\sigma$ 也算不过趋势。

平面工艺与光刻（仙童，1959）：把"制造"变成"印刷"

仙童之前，晶体管是一根根手工连线的分立元件，规模上不去、可靠性差。赫尔尼的平面工艺用二氧化硅层做保护，配合光刻技术——像洗照片一样把电路图案"印"在硅片上；诺伊斯随即想到：既然能印，就可以把多个元件和连线一次印在同一块硅上——集成电路就此诞生。

这一步的意义在于：芯片制造从"手艺"变成了"可复制的印刷工艺"，良率可控制、规模可复制、成本可下降——摩尔定律之所以能以指数曲线走五十年，物理基础就是平面工艺这条产线。仙童留下的另一个"工具"是无形的：阿瑟·洛克设计的那笔投资（分期注资 + 管理层期权），成了现代风险投资交易结构的模板；员工持股也从这里开始成为硅谷的标配。制度设计和工艺一样，是可以被后来所有公司复用的发明。

梅特卡夫定律与 EdgeRank（Facebook）：图论 × 排序算法

Facebook 的护城河可以用一条经验定律刻画——梅特卡夫定律：网络的价值正比于节点间可能的连接数，即

$$V \propto \frac{n(n-1)}{2} \approx n^2$$

用户越多，关系链越密，迁走一个用户等于要他放弃整张关系网——这就是社交产品天然垄断的数学解释。

信息流排序早期用的是 EdgeRank，每条内容对某个用户的得分由三个因子相乘：

$$\text{Score} = \sum_{\text{edges } e} u_e \cdot w_e \cdot d_e$$

$u_e$ 是亲密度（你和发布者的互动强度），$w_e$ 是边权重（评论 > 点赞 > 浏览），$d_e$ 是时间衰减。这个公式后来被机器学习排序（GBDT，再到深度学习）取代，但"用户关系 × 内容类型 × 时效“的三因子结构至今仍是推荐系统的基本骨架。好友推荐则是图上的链接预测（共同好友越多，越可能认识——三角闭合原理）；后期还加上 DeepFace 人脸识别。可以说 Facebook 是把"人类社会关系"图论化、算法化最彻底的公司。

数据飞轮与端到端网络（特斯拉）：自动驾驶的方法论革命

特斯拉在算法上的底牌不是某个单点模型，而是一套数据飞轮机制：

flowchart LR
    A["车队影子模式<br/>人类开车时默默采集数据"] --> B["云端筛选<br/>高价值片段"]
    B --> C["训练神经网络<br/>Dojo 超算"]
    C --> D["OTA 下发<br/>车队升级"]
    D --> E["模型变好<br/>采集到更好的数据"]
    E --> A

FSD V12 更进一步：用端到端神经网络（传感器视频进、驾驶指令出）替代了三十多万行手写的感知-规划规则代码，同时配合 HydraNet（多头共享主干的多任务网络）和 Occupancy Network（占用网络，把三维空间体素化）。这和摩尔定律/香农公式是同一类启示：当一个领域可以从"手写规则"切换到"数据驱动"时，该领域的旧玩家积累会瞬间贬值——这正是 AI 大模型正在各行各业做的事。

3.3 一个值得记住的横向规律

把这些底牌摆在一起，能看到一个清晰的模式：

flowchart LR
    A["数学/算法突破<br/>信息论 · 关系模型 · PageRank<br/>RSA · Dijkstra · Transformer"] --> B["工具化<br/>UNIX · SQL · 浏览器 · 路由器"]
    B --> C["商业模式接住<br/>授权 · 广告拍卖 · 卖水"]
    C --> D["浪潮之巅"]
    A -.->|"缺了这一步"| E["贝尔实验室式悲剧<br/>发明无数，收割寥寥"]
    B -.->|"缺了这一步"| F["Sun 式悲剧<br/>Java 改变世界<br/>却没赚到钱"]

算法本身几乎从不直接赚钱——信息论、PageRank、Transformer 都是公开发表的；
赚钱的是把算法工具化、再用商业模式接住的那一步；
所以对程序员创业的真正启示是：盯紧公开的算法突破（它们是免费的），竞争发生在工具化和场景化这两层——这正是今天 AI 应用创业的主战场。

四、浪潮的幕后推手：风投、投行、斯坦福、印钞机与金融风暴

前面十三章讲的是浪尖上的公司。《浪潮之巅》后半部分把镜头拉远，讲了造就浪潮的生态系统：钱从哪来（风险投资）、怎么退出变现（投资银行）、人才和点子从哪来（斯坦福大学）、什么样的生意最赚钱（印钞机商业模式）、以及整个系统什么时候会崩（金融风暴）。这部分对想创业的程序员其实比公司故事更实用——因为公司故事你只能旁观，生态规则你却天天在用。

4.1 风险投资：浪潮的放大器

内容：现代风险投资正是从仙童那笔投资（阿瑟·洛克牵线）开始的，此后红杉资本（投了苹果、思科、雅虎、Google）、KPCB 成为硅谷的造王者。VC 的运作结构是：

flowchart LR
    A["LP 有限合伙人<br/>大学基金/养老金/富豪<br/>出钱不干活"] -->|"注资"| F["风险投资基金<br/>10 年周期"]
    G["GP 普通合伙人<br/>基金管理团队"] -->|"管理"| F
    F -->|"分阶段下注<br/>天使→A→B→C"| S1["创业公司 A"]
    F --> S2["创业公司 B"]
    F --> S3["创业公司 C...N"]
    S1 -.->|"IPO / 并购退出"| R["收益分配<br/>LP 拿 80%<br/>GP 拿 20% 分成 + 2% 管理费"]
    S2 -.->|"大概率失败归零"| X["幂律分布：<br/>1-2 家赚回整个基金"]

规律：

VC 不是发明家，是放大器——它只押注浪潮方向，然后在方向上批量下注；
收益服从幂律分布：一个基金投二三十家，绝大部分平庸或死掉，靠一两家百倍回报回本。这决定了 VC 只投"天花板足够高"的生意——你的生意如果做大了也只有几亿市值，VC 不会感兴趣，这不丢人，只是不匹配；
拿 VC 的钱 = 签下对赌：烧钱换增长，赌的是 exit（上市或被收购）。

AI 时代的新思路：

AI 时代的 VC 出现了新变体：算力换股权——微软投 OpenAI 的对价大部分是 Azure 算力额度，投资款又以云服务消费的形式回流。创业者拿谁的钱，就绑定了谁的生态，这个决策比估值高低更重要；
AI 杠杆让单家公司需要的资本大幅下降（三个人 + 大模型能干过去三十个人的活），天使轮/A 轮的逻辑正在被重写：不缺钱的项目可以更晚融资、要更好的条款；
对个人的启示：理解幂律也适用于职业选择——你加入哪家创业公司，本质就是把自己的时间当成 LP 出资，要选那个"成了能改变量级"的池子。

4.2 投资银行：科技公司变现与退出的管道

内容：投行是科技公司和公开市场之间的管道：承销 IPO（定价、路演、分销股票）、撮合并购。书里对投行的评价是"成也萧何，败也萧何”——没有投行，科技公司无法变现、创始人和员工的股票无法变成真金白银；但投行为了佣金也有动力吹大泡沫（2000 年互联网泡沫里，投行把一堆亏损公司包装上市）。

创新工具与数学：

估值工具：DCF（现金流折现）、可比公司倍数——给"未来"定价的一套话术体系；
Google 的荷兰式拍卖 IPO（2004）：Google 不信任投行定价，改用拍卖机制让市场竞价决定发行价——这本身是博弈论机制设计的应用，绕开了投行压价分给机构客户的潜规则。

AI 时代的新思路：

AI 公司给投行出了新难题：模型能力和数据资产怎么估值？ 传统的 DCF 和可比倍数面对"三个人的团队年入一亿美元"（如 Midjourney 这类案例）已经失灵——估值锚在漂移，既是混乱也是机会；
创业公司要提前想好退出路径：是上市（需要规模和合规），还是被收购（需要战略价值）。AI 时代"被巨头收购"的路径更短——很多团队冲着 acquihire（人才收购）去创业，这本身也是一种理性策略。

4.3 斯坦福大学：硅谷的人才与创新发动机

内容：硅谷之所以在硅谷，而不是在波士顿 128 号公路（当年东海岸科技更发达），很大程度上因为斯坦福。特曼教授（Frederick Terman）鼓励师生创业，促成了惠普的车库传奇；斯坦福工业园把土地租给科技公司，让企业和学校物理上长在一起；**技术许可办公室（OTL）**让教授的发明可以系统性地授权给公司。雅虎、Google、思科、Sun——书里一半的主角都是斯坦福师生创办的。背后还有一个制度工具：美国 1980 年的 拜杜法案（Bayh-Dole Act），允许大学持有联邦资助研究的专利并对外授权，一举打通了"国家出钱研究 → 大学持有专利 → 企业付费转化"的链条。

规律：

大学对产业的贡献不是发论文，而是制度设计：让人才能自由流动（教授可以停薪留职创业）、让成果能合法变现（OTL + 拜杜法案）；
对比之下，东海岸高校把发明锁在专利柜里，128 号公路最终被硅谷超越。

AI 时代的新思路：

这波 AI 浪潮里，大学的位置明显弱化——算力和数据都在工业界，顶尖人才从大学流向 OpenAI 和各大厂实验室。创新的源头正在从"大学 + 公司"双引擎变成公司单引擎；
对程序员个人的启示：如果你没有斯坦福，就自己建一个"微生态"——开源社区、技术社群、行业人脉就是个人的 OTL。在 AI 时代，个人的技术影响力（GitHub、博客、开源项目）是可以直接变现为机会的资产。

4.4 印钞机：什么样的商业模式最赚钱

内容：书里专门有一章讨论"印钞机"式的商业模式——一旦建成，不需要太多人工干预就能持续自动赚钱的系统：

印钞机类型	代表	为什么能自动印钱
广告自动匹配	Google AdWords	广告主自助竞价投放，无需销售员，边际成本趋零
平台抽佣	eBay、亚马逊	交易由买家卖家自己完成，平台只收过路费
直销+按单生产	戴尔	先收钱再生产，负营运资金，别人替它垫资
软件授权	微软	复制成本为零，多卖一份就是纯利润
虚拟商品	腾讯	虚拟道具边际成本为零，毛利率极高

判断标准（自查清单）：能不能自动化运转？边际成本是否趋近于零？能不能无限规模化？有没有自增强的网络效应？——四条全中的才是印钞机，缺一条就是苦生意。

AI 时代的新思路：

AI 让"印钞机"民主化了：一个人 + 一组 Agent，可以运营过去需要一个团队才能跑的自动业务（内容站群、自动客服、自动交易撮合），“一人公司"第一次成为现实选项；
但有个关键不同：软件复制的边际成本是零，大模型推理的边际成本不是零（每一次调用都烧 GPU）。所以 AI 时代的印钞机要重新设计定价——从包月订阅走向按量付费、甚至按结果付费（outcome-based pricing：AI 客服按"成功解决的工单数"收费）。谁能设计出"推理成本可控 + 按价值收费"的结构，谁就造出了新一代印钞机；
警惕伪印钞机：如果你的"自动化"背后要靠大量人工审核兜底（内容安全、幻觉纠错），那你不是印钞机，是外包公司。

4.5 金融风暴：潮水退去时谁在裸泳

内容：书里复盘了 2008 年金融危机的链条：房贷打包证券化（MBS/CDO）→ 层层加杠杆（投行杠杆高达 30 倍以上）→ 评级机构失灵 → 雷曼兄弟倒闭。对科技业的影响则是：泡沫破裂反而加速了洗牌——手握现金的微软、Google 安然过冬，靠融资续命的公司批量死亡。

背后的数学工具（反面教材）：危机的技术根源之一是高斯 copula 模型（李祥林模型）被华尔街滥用——它假设各笔贷款的违约相关性服从正态分布，严重低估了"一起违约"的尾部风险。模型本身没有错，错的是把模型假设当成了现实。这个教训对所有做模型的人（包括今天的 AI 从业者）都成立：模型的输出只在假设成立的范围内有效。

AI 时代的新思路：

危机是最好的创业窗口：Airbnb（2008）、Uber（2009）、WhatsApp（2009）都诞生在金融危机期间——资本贵、人才便宜、竞争少。如果 AI 投资热退潮，恰恰是真创业者的好时候；
现金流纪律：书里的幸存者是现金储备厚的公司。AI 创业同理——推理成本是持续出血点，毛利为负的增长是自杀，runway 永远比增长率重要；
当下 AI 数据中心军备竞赛与 2000 年光纤泡沫的对照值得每个从业者想一遍：2000 年铺的光纤没有白铺（后来都成了互联网的地基），但铺光纤的公司死了一大批——技术判断对了 ≠ 投资判断对了。参与浪潮的方式有很多种，押错位置照样出局。

五、把规律汇总：一张图看 40 年的浪潮更替

timeline
    title 信息技术浪潮更替（《浪潮之巅》视角 + AI 时代延伸）
    1957 : 硅谷起点 : 八叛徒创立仙童 : 集成电路 + 风险投资诞生
    1960-1980 : 大型机时代 : IBM 独大 : 贝尔实验室发明晶体管/UNIX
    1980-1990 : 个人电脑时代 : 苹果开创 : 微软+Intel 收割（Wintel）
    1995-2000 : 互联网时代 : 网景点火 : 思科卖水 : 雅虎定义门户
    2000-2010 : 搜索与Web 2.0 : Google 登顶 : 泡沫破裂洗礼
    2004-2014 : 社交网络 : Facebook 垄断社交图谱 : 特斯拉开启电动化
    2007-2018 : 移动互联网 : iPhone 重新定义一切 : 诺基亚/摩托罗拉出局
    2016-至今 : 云计算与AI : 微软Azure翻身 : 英伟达成为新Intel
    2022-未来 : 大模型时代 : OpenAI点火 : 格局未定 : 新生态位待抢

从这张图能看到几个事实：

每一波浪潮的主角，上一波都不存在或不成气候——PC 时代的微软、互联网时代的 Google、移动时代的苹果（重生）、AI 时代的 OpenAI，都是新公司或"重生公司”；
浪潮间隔在缩短：大型机 20 年，PC 15 年，互联网 10 年，移动 10 年，大模型这一波可能 5-8 年就完成格局固化；
每一波都有"卖水人"：Intel（PC）、思科（互联网）、英伟达（AI）——卖水人比淘金者活得久。

六、我的思考与感悟

6.1 浪潮不是运气，是可以识别的

读完这本书最大的安慰是：浪潮来时是有信号的——技术突破（大模型通过图灵测试级别的对话）、成本骤降（推理价格两年降了 100 倍）、基础设施就绪（云 + GPU + 开源生态）、杀手应用出现（ChatGPT 两个月破亿用户）。2022 年之后，所有信号都齐了。识别浪潮不难，难的是承认自己所在的是旧浪潮——这对在传统软件行业干得好好的程序员尤其残酷。

6.2 “基因决定论"也适用于个人

书里说公司转型难是因为基因。我想到程序员个体也一样：写了十年 CRUD 的人，不是学不会 AI 应用开发，而是看问题的基因已经固化——习惯想"怎么实现需求”，不习惯想"模型能做到什么边界、边界外怎么兜底"。转型不是学几个 API，而是换一种思考方式：从"确定性编程"转向"概率性系统设计"。

6.3 每一波浪潮最大的悲剧都是同一个

网景的悲剧是"帮巨头验证市场"，Sun 的悲剧是"有影响力没变现"，雅虎的悲剧是"把核心能力外包"。这三个悲剧在 AI 创业圈每天都在发生。我给自己列了三个自查问题：

如果明天模型能力提升 10 倍，我的产品是更值钱还是归零？（归零的就是网景型产品）
我的核心差异化，是在我手里，还是在模型厂商手里？（外包了核心的就是雅虎型产品）
我现在的收入，会不会变成阻止我转型的诺基亚式诅咒？（旧业务越舒服越危险）

6.4 对"程序员创业"最现实的一句话

《浪潮之巅》里所有成功的技术创业，无一例外是：技术突破 × 正确的时机 × 匹配的商业模式。程序员往往只有第一个，高估第一个，低估后两个。盖茨赢不是赢在 BASIC 写得好，是赢在"授权不转让"的商业模式；Google 赢不只是赢在 PageRank，是赢在 AdWords；思科赢在"互联网淘金热里卖水"。

AI 大模型时代对程序员创业最大的利好是：技术门槛被模型拉平了——你不需要是佩奇才能做出聪明的产品。但这也意味着竞争的焦点彻底移向了商业模式和场景理解。这对只懂技术的程序员是坏消息，对愿意补齐商业思考的程序员，是几十年一遇的好消息。

七、给程序员的行动清单

综合全书规律和 AI 时代的现实，我自己的行动清单：

flowchart TD
    A["识别自己在浪潮中的位置"] --> B{"你的产品是哪种类型？"}
    B -->|"卖水型<br/>基础设施/工具链"| C["深耕<br/>这是最长命的位置"]
    B -->|"垂直应用型<br/>行业+AI"| D["挖深护城河<br/>数据/资质/交付"]
    B -->|"功能套壳型"| E["立刻转型或止损<br/>这是网景的命运"]
    C --> F["警惕云厂商下场<br/>往深水区走"]
    D --> G["警惕巨头捆绑<br/>做平台不方便做的事"]
    E --> H["把积累的认知<br/>转向 1 或 2"]

具体建议：

不要把时间花在套壳上，花在"模型 + 行业数据 + 工作流"的耦合处；
保持对基础设施层的关注（卖水人最长寿），哪怕不创业，职业方向上也值得靠；
每 18 个月做一次摩尔定律自查：我的技能和产品，跟上模型能力的进步了吗？
学盖茨的商业模式思维，学格鲁夫的断腕决断，学安德森的快速转身——这三样比学任何框架都重要；
记住浪潮的窗口期：格局固化（70-20-10）之前的窗口大约是 5-8 年。大模型这波从 2022 年算起，留给新玩家的窗口还有，但在收窄。

八、结语

吴军在书里写过一句话（大意）：在浪潮之巅的公司，不是最努力的，而是最幸运的——恰好站在了浪尖上。 但通读全书你会发现，“幸运"其实有结构：站在浪尖的公司，都是在新旧浪潮交替的混沌期就下了注的公司——盖茨在大型机向 PC 过渡时下注，佩奇在门户向搜索过渡时下注，乔布斯在 PC 向移动过渡时下注。

今天的 AI 大模型，就是这样一个新旧交替的混沌期。窗口开着，但不会一直开着。

这本书值得每个程序员读一遍，而且每隔几年重读一遍——因为你所处的浪潮位置变了，读出来的东西会完全不一样。

延伸阅读：

吴军《数学之美》——同作者的技术方法论，笔记见本站《数学之美》学习总结

Paul Graham《黑客与画家》——创业方法论的另一极，笔记见本站《黑客与画家》创业学习笔记

《孙子兵法》笔记：先胜后战，先算账再动手

Sun, 08 Oct 2023 10:40:00 +0800

《孙子兵法》笔记：先胜后战，先算账再动手

《孙子兵法》只有六千字出头，是十三篇的薄册子，但它的信息密度高得吓人。市面上讲它的书大多往两个方向跑偏：要么熬成"职场厚黑鸡汤"，要么考证成"古文字学论文"。我这次重读，刻意只带一个问题：一个习惯用数据和概率思考的人，能从这本两千五百年前的兵书里拿走什么可执行的决策框架？

读完的结论先行：这本书最反直觉的一点是，它本质上不是一本教人"怎么打"的书，而是一本教人"什么时候不该打、动手之前要算清什么账"的书。所谓兵法，首先是算账学，其次才是打仗学。

这篇笔记按我自己的消化顺序写，不按原书篇目走。案例只写我有把握的史实，写不准的宁可不写。

一、全书的全景地图

先用一张图把十三篇的骨架立起来，后面每一节都能在这张图上找到位置：

flowchart TB
    subgraph L1["① 要不要打：成本收益层（计篇 / 作战篇）"]
        A1["庙算：五事七计<br/>先算账，算不胜就不打"] --> A2["兵贵胜，不贵久<br/>打仗是烧钱的，拖久必败"]
    end
    subgraph L2["② 怎么不打而胜：策略层级（谋攻篇）"]
        B1["上兵伐谋"] --> B2["其次伐交"]
        B2 --> B3["其次伐兵"]
        B3 --> B4["其下攻城"]
    end
    subgraph L3["③ 打之前先立于不败：形态层（形篇 / 势篇）"]
        C1["先为不可胜<br/>以待敌之可胜"] --> C2["以正合，以奇胜<br/>兵力配置的艺术"]
    end
    subgraph L4["④ 具体怎么打：执行层（虚实 / 军争 / 九变 / 行军 / 地形 / 九地 / 火攻 / 用间）"]
        D1["避实击虚<br/>致人而不致于人"] --> D2["知己知彼<br/>用间获取信息"]
    end
    L1 --> L2 --> L3 --> L4

注意这张图的顺序：它是**从"打不打"一路收敛到"怎么打"**的。原书篇目也是这个顺序——《计篇》第一，《火攻》《用间》殿后。孙子把最"热血"的部分放在最后，把最"冷静"的部分放在最前，这个编排本身就是立场。

这本书对我最有冲击力的一个观点是：孙子眼中的"善战者"，根本不是我们想象中那种以少胜多、险中求胜的赌神，而是那种打完仗你都觉得"这仗赢得好平淡"的人。原文说"古之所谓善战者，胜于易胜者也。故善战者之胜也，无智名，无勇功"——真正的名将没有传奇故事，因为他只打已经算赢了的仗。这句话值得贴在每个想 all-in 的人的显示器上。

顺带交代一句版本：我读的是带古注的本子（传世的有《十一家注孙子》），其中曹操的注尤其值得对照着看——他是第一个系统给《孙子》作注的人，而且自己就是顶级统帅，注文全是实战心得，没有文人空谈。读正文卡住的时候翻他的注，经常一句话就通了。这个阅读体验有点像读源码卡壳时翻到提交记录里原作者写的注释。

二、“兵者，国之大事”：全书的第一性原理是慎战

《计篇》开篇第一句：“兵者，国之大事，死生之地，存亡之道，不可不察也。”

很多人把这句当成客套话跳过，其实它是全书的公理。孙子的推理链是：

打仗要死人的、要亡国的，所以是"大事"；
是大事，就"不可不察"——不允许拍脑袋、不允许情绪驱动；
所以国君不能因为愤怒开战（“主不可以怒而兴师”），将领不能因为赌气出战（“将不可以愠而致战”）；
决策的唯一依据是"利"——“合于利而动，不合于利而止”。

《火攻篇》里那句更狠：“怒可以复喜，愠可以复悦，亡国不可以复存，死者不可以复生。“情绪是可逆的，败亡是不可逆的，所以不能用可逆的东西去驱动不可逆的决策。

感悟：换成工程语言，这就是"对不可逆操作（drop table、删生产库、公司 all-in 一个方向）施加最高级别的决策纪律”。日常工作中大部分决策是可逆的，快速试错没问题；但一旦遇到不可逆的大决策，孙子给的流程是：先强制冷静，再上核算流程，情绪因素权重清零。慎战不是怯战——孙子整本书都在教人赢，他只是坚持赢的前提是先把"输得起吗"这个问题回答掉。

2.1 《作战篇》：慎战的第二层是"算时间账”

慎战的理由孙子给得很具体，不是道德说教，是成本核算。《作战篇》开篇就报账：动员十万大军出征，“日费千金”，“内外骚动，怠于道路，不得操事者，七十万家”——战争机器一旦开动，烧钱是持续失血，而且拖垮的不只是军队，是整个后方经济。

由此推出他的结论：“其用战也胜，久则钝兵挫锐，攻城则力屈，久暴师则国用不足……故兵贵胜，不贵久。“注意是"贵胜不贵久”，不是"贵速”——他反对的不是慢，是没有产出的消耗。王翦六十万大军坚壁数月，看起来"久"，但那是为了一击制胜的蓄势，期间的消耗换来了最终的一战定楚；赵括那种反复出击、四十多天被围粮尽，才是真正的"久则力屈"。

《作战篇》还有一个极具现代性的观点：“取用于国，因粮于敌，故军食可足也。“装备从国内带，粮食尽量就地解决——“食敌一钟，当吾二十钟”。孙子算账算到了物流成本的数量级：远距离运输的损耗大约是二十比一。

感悟：这一篇放在今天读，就是现金流纪律。战争是烧钱机器，创业公司也是——“日费千金"对应 burn rate，“久暴师则国用不足"对应扩张期现金流断裂，“因粮于敌"对应尽早让业务自我造血而不是持续靠融资输血。很多公司不是被对手打败的，是"钝兵挫锐"拖死的：方向没跑通，钱先烧完了。孙子会说：那不是战败，是庙算阶段就算错了时间账。

三、庙算：开战前的尽职调查

《计篇》的核心方法论：“夫未战而庙算胜者，得算多也；未战而庙算不胜者，得算少也。多算胜，少算不胜，而况于无算乎！”

庙是宗庙，算是计算。古人开战前在宗庙里开战略评估会，把双方的账摆出来算一遍。孙子给出的核算框架是著名的"五事七计”：

flowchart LR
    subgraph WS["五事：核算的五个维度"]
        W1["道<br/>上下是否同心"]
        W2["天<br/>时机、大势"]
        W3["地<br/>战场、环境"]
        W4["将<br/>主将的能力与品性"]
        W5["法<br/>制度、编制、后勤"]
    end
    subgraph QJ["七计：七个对比问题"]
        Q1["主孰有道？将孰有能？<br/>天地孰得？法令孰行？<br/>兵众孰强？士卒孰练？<br/>赏罚孰明？"]
    end
    WS --> QJ --> R["得算多 → 可战<br/>得算少 → 不可战<br/>无算 → 必败"]

几个值得细品的点：

① 五事里"道"排第一，“兵"根本不在列表里。 孙子核算一场战争，第一项不是兵力对比，而是"道”——组织上下是否目标一致。这和现代人的直觉（先看硬实力）正好相反。他的逻辑是：硬实力差距可以靠策略弥补，人心散了什么都是白搭。

② 七计全是相对值，不是绝对值。 “主孰有道"不是问"我方君主有没有道”，是问"两边谁更有道”。庙算本质是一个对比评估——这和我们做竞品分析、做技术选型时的打分矩阵是同构的：列维度、两边逐项比、加权汇总、出结论。

③ “得算多"不等于必胜，只是"胜的概率大”。 孙子很诚实地把话说成"多算胜，少算不胜”，没打包票。庙算消除的是"无算"这种必败局面，剩下的是概率优势。这个分寸感很高级。

感悟：庙算就是现代投资里的尽职调查（due diligence）。市场（天）、赛道地形（地）、创始团队（将与道）、组织能力（法），一个成熟的投资备忘录和五事七计的对应关系几乎是一比一的。两千五百年前的框架到今天还没过期，说明它抓的是竞争的底层结构，不是某个时代的具体技术。

把五事七计翻成一张可以直接用的现代检查清单，大致是：

五事	原义	决策前该问自己的问题
道	上下同欲	团队/股东/用户对这件事的目标真的一致吗？
天	时机大势	现在是做这件事的窗口期吗，还是早了/晚了？
地	战场环境	我选的赛道/市场，地形对我有利还是对对手有利？
将	主将五德（智信仁勇严）	负责人（往往是我自己）的能力撑得起这件事吗？
法	编制后勤	组织、流程、现金流能支撑打多久？

值得强调"将"这一项。孙子对将领的要求是"智、信、仁、勇、严"五德兼备，并且单独警告了五种危险的性格缺陷：“必死可杀，必生可虏，忿速可侮，廉洁可辱，爱民可烦”——一味死拼的会被诱杀，贪生怕死的会被俘虏，急躁易怒的会被激怒中计，过于爱惜名声的会被羞辱牵制，溺爱部属的会被琐事烦扰。庙算算到"将”，算的不只是能力，还有性格里的可攻击面。这一条放在选人、选合伙人、乃至自我评估上，都异常锋利。

四、先胜后战：全书最值钱的一句话

《形篇》：“胜兵先胜而后求战，败兵先战而后求胜。”

翻译过来：打胜仗的军队，是先把自己摆在必胜的位置上，然后才去找仗打；打败仗的军队，是先冲上去开打，然后指望在战斗中侥幸赢。这一句话把两种人、两种组织、两种人生策略分得干干净净。

完整的决策流是这样的：

flowchart TB
    A["出现机会/威胁"] --> B["庙算：五事七计<br/>算双方实力账"]
    B --> C{"得算多吗？"}
    C -- "算不胜" --> D["不打<br/>先为不可胜：积累自己<br/>等待形势变化"]
    D --> B
    C -- "得算多" --> E["先胜：创造必胜条件<br/>实力到位 + 对手露出破绽"]
    E --> F{"敌之可胜出现了吗？"}
    F -- "没出现" --> G["继续等<br/>不可胜在己，可胜在敌"]
    G --> E
    F -- "出现" --> H["后战：动手<br/>动于九天之上，速战速决"]

这张图里藏着《形篇》的另一半精髓：“不可胜在己，可胜在敌”——不被战胜这件事，主动权完全在自己手里（把防守做好、把实力攒够）；能不能战胜对方，却取决于对方给不给机会。所以"胜可知而不可为”：胜利可以预见，但不能强求。你唯一能做的是保证自己永远不输，然后耐心等对方犯错。

《形篇》还有一句把这套逻辑收束得很紧：“善战者，立于不败之地，而不失敌之败也。“前半句是修己，后半句是待机——两件事都要做，缺一件都不算善战。只"立于不败之地"而不抓敌人破绽，是消极的缩头乌龟；只盯着敌人的破绽而自己没有不败的底盘，是赌徒。孙子的高明在于他把这两件事排了序：不败是前提，是 1；抓机会是后面的 0。

案例一：王翦伐楚——先算够本钱再动手。 秦王政（后来的秦始皇）准备灭楚，问年轻的李信要多少兵，李信说二十万；问老将王翦，王翦说非六十万不可。秦王嫌王翦老了胆子小，派李信带二十万去，结果被楚将项燕大败。秦王只好亲自去请王翦出山，王翦还是咬死六十万——这就是他的"庙算"结论：楚国是大国，灭国之战拼的是国力总量，本钱不够就是"少算”，少算必败。六十万大军到位后，王翦到了前线反而不急着打，坚壁休养了很长时间，等楚军按捺不住调动、露出破绽，才一击致命。先算清账（六十万一分不能少），再立于不败之地（坚壁不出），最后等敌人的破绽送上门（楚军东撤时追击）——王翦这一仗是"先胜后战"的教科书式演示。

这个案例还有个常被当成花边、其实很耐琢磨的细节：《史记·白起王翦列传》记载，王翦率六十万大军出征前，接连多次向秦王讨要良田美宅，一副贪财老头做派。他的解释是：带着举国之兵在外，大王难免猜忌，我只有摆出"只顾置业、胸无大志"的样子，才能让大王安心。这说明他的"庙算"连五事里最容易被忽略的那一项都算进去了——“道"不只是军队内部的同心，还包括后方君主对前线将领的信任。仗还没出函谷关，他已经把"后方生变"这个风险项用自污的方式对冲掉了。这大概就是"多算胜"的样子：算到别人想不到的格子。

顺带一提，后世对这套思想的最高规格认证来自《唐太宗李卫公问对》。李世民与李靖君臣论兵，李世民说"观诸兵书，无出孙武”，李靖则把孙子的精髓往"虚实"“奇正"上归纳。两位都是打出来的顶级统帅，他们评点兵书不绕弯子，这个背书比后世任何文人的注解都有分量。

案例二：李牧守边——“先为不可胜"能做到多极致。 战国末期赵国名将李牧镇守雁门防备匈奴。他上任后的策略是：匈奴来了就收拢人马物资进堡垒，坚决不出战，如此好几年，匈奴一无所获，但赵军也没有任何战功。赵王和边地官兵都觉得他怯战，赵王换人，新将领每次出战，结果屡战不利、伤亡惨重，边境的生产都维持不下去。赵王只得再请李牧，李牧要求照旧办法才肯去。他回去后继续坚壁——但坚壁不等于躺平，他一边守一边厚待士卒、抓紧训练，把赵军的战斗力和求战欲养到了顶峰。等匈奴再次大举入侵、以为还是老套路时，李牧突然放出精心准备的大阵，一战破匈奴十余万骑，此后十多年匈奴不敢靠近赵国边境。几年不战，是为了战一次就解决问题——“胜于易胜"的极致，就是让决战发生在自己准备度拉满、对方预期最低的时刻。

反面案例：赵括长平之战——“先战而后求胜"的标准下场。 公元前 260 年，秦赵对峙长平。赵将廉颇坚壁不出，走的正是李牧那条路——先为不可胜，耗秦军的后勤。秦军攻不动，就用反间计散布流言，说秦军最怕的是赵括。赵孝成王中计，用"纸上谈兵"的赵括换下廉颇。赵括一到任就改弦更张、主动出击——这正是"败兵先战而后求胜”：仗还没算清楚就先把部队压上去，把胜负寄托在战场上的随机性。结果白起诱敌深入、断其粮道，赵军被围四十多天，突围失败，赵括战死，四十余万赵卒被坑杀。注意这个对比：廉颇的坚壁是庙算之后的选择，赵括的出击是没算清楚就开打——同一个战场、同一批军队，决策顺序反了，结局天翻地覆。

把三个案例放在一起看，会发现它们恰好构成一个完整对照组：王翦演示了"算够本钱再动手”，李牧演示了"没机会时先把自己练到不可胜”，赵括演示了两条都不做的下场。有意思的是，三位将领面对的都是"主上觉得你怂"的压力——王翦顶住秦王的嫌弃坚持要六十万，李牧顶着赵王的撤换坚持不出战，而长平战场上恰恰是赵王没顶住"廉颇怯战"的舆论换了将。可见"先胜后战"最难的部分从来不在战场上，在于你能不能扛住来自自己阵营的催促，把"还没算赢"这句话说出口。

五、知己知彼：信息是最便宜的投资

《谋攻篇》：“知彼知己，百战不殆；不知彼而知己，一胜一负；不知彼不知己，每战必殆。”

这句话被引用到烂，但有几个细节常被忽略：

知彼排在知己前面。 了解自己相对容易（自己的家底自己清楚），了解对手才难，才是要花钱花功夫的地方。所以《用间篇》压轴——全书最后一篇讲间谍和情报，不是偶然。
“百战不殆"不是"百战百胜”。 不殆是不败、是不出大事。孙子的承诺从来都很克制：信息充分能保证你不翻车，不能保证你赢——赢还得等对方给机会。
四种状态的排列组合（知/不知彼 × 知/不知己）本质上是个 2×2 矩阵，落在哪个格子，预期结局就定了大半。

《用间篇》把"知彼"落到了操作层面，列出五种情报渠道：因间（用敌国的普通人）、内间（用敌国的官吏）、反间（策反敌人的间谍为己所用）、死间（故意送假情报出去的死士）、生间（能活着回来报告的侦察者）。五间里最被孙子看重的是反间——敌人的间谍反过来为你所用，一条线就能带动整个情报网，所以"反间不可不厚也”。

这一篇里最硬的一句话是：“故明君贤将，所以动而胜人，成功出于众者，先知也。先知者，不可取于鬼神，不可象于事，不可验于度，必取于人，知敌之情者也。"——事先掌握情况，不能靠占卜问鬼神，不能靠类比猜，不能靠星象度数推算，只能从了解敌情的人那里获得。两千五百年前就把"决策要靠一手信息、不要靠玄学"说得这么直白，很难得。

感悟：对应到工程和商业上，“知彼"就是市场调研、竞品分析、监控告警，“知己"就是对自己系统能力的诚实评估（容量、瓶颈、团队真实水平）。最常见的翻车模式不是"不知彼”，而是"不知己”——高估自己的执行力和资源，把计划按理想状态排。孙子那句"知己"里的"知”，是包括"知道自己不知道什么"在内的。另外《用间篇》对管理者的提醒也很现实：情报工作看着花钱（“爵禄百金”），但比起"日费千金"地盲打，是最便宜的投资——舍不得小钱买信息，就要花大钱买教训。

实操建议：每季度给自己和团队做一次"知己知彼"审计——知彼侧，更新竞品和市场变化里影响最大的三个变量；知己侧，诚实写下三件"我们现在做不到、计划里却默认能做到"的事。写完后你会发现，后者永远比前者难写，也永远比前者值钱。

六、上兵伐谋与以正合以奇胜

6.1 解决问题的层级选择

《谋攻篇》：“上兵伐谋，其次伐交，其次伐兵，其下攻城。”

层级	手段	成本	类比
伐谋	在对方谋划阶段就化解	最低	架构设计阶段消灭一类 bug
伐交	拆对方的联盟与合作	较低	商业谈判、生态卡位
伐兵	战场上击败对方军队	高	产品功能硬碰硬
攻城	硬攻设防的城池	最高	价格战、补贴大战

孙子说攻城是"不得已"的下策——准备器械三个月、堆土山又三个月，将领急躁让士兵蚁附而上，死伤三分之一城还未必攻下来。这个成本结构在物理世界和商业世界是通用的：越往后端的手段越贵，越往前端的手段越需要脑子。能把竞争在"谋"的层面解决（战略卡位让对方根本没机会进场），是最顶级的胜利；打价格战（攻城）则是双方都最不想看到的消耗。

感悟：做技术的人对这张表应该很有共鸣——线上救火（攻城）最贵，Code Review（伐兵）次之，设计评审（伐交）再次之，架构阶段把问题消灭掉（伐谋）最便宜。所有成熟的工程文化，本质上都是把解决问题的层级往前推。

6.2 以正合，以奇胜

《势篇》：“凡战者，以正合，以奇胜。”

正兵是正面牵制、常规手段，奇兵是侧翼决胜、非常规手段。关键是下半句：“奇正相生，如循环之无端，孰能穷之？"——奇和正不是两种固定的招式，是互相转化的：这次用的奇招，下次对手有了防备就成了正；正兵用得出人意料，也能起到奇的效果。

对资源分配的指导意义很直接：大部队（正）用于稳住基本盘、保证不输；小部队（奇）用于押注不对称的机会、负责赢。全部押上是赌徒，全部守正是平庸，配比和转化才是功夫。

放到做产品/做技术上，这个结构也成立：主干业务、核心系统是那支"正兵”，要求稳、要求 SLA，它的存在意义是让公司"不可胜”；探索性项目、实验性技术是"奇兵"，允许失败，但一旦跑通就负责打开第二曲线。奇正失衡的组织一眼就能认出来：全是正兵的组织没有未来，全是奇兵的组织没有现在。

6.3 附一笔：《虚实篇》的主动权思想

执行层面还有一句话值得单独拎出来：“善战者，致人而不致于人。"——调动敌人，而不是被敌人调动。配合"避实而击虚”，构成孙子的战术总纲：永远在自己选的时间、自己选的地点、打对方的薄弱处，绝不在对方设好的战场上应战。

长平之战里这条原则两边都在用：廉颇坚壁，是拒绝在秦军希望的"速决战"里应战（不致于人）；白起诱赵括出击，是把赵军从坚壁里调出来、调进自己预设的口袋（致人）。同一场战役，谁掌握了"调动权"，谁就赢了一半。商业竞争里同理：跟对手在它最强的维度硬刚（比如跟巨头拼补贴），就是"致于人"；开辟它船大难掉头的维度（比如服务它看不上的细分市场），才是"致人"。

七、思考与感悟

先胜后战 = 先验证最大风险假设，再下重注。 创业方法论里讲"在最便宜的阶段证伪最危险的假设"，和"胜兵先胜而后求战"是同一条原则的两个表述。王翦要六十万，是因为他的庙算结论是"灭楚是国力消耗战，本钱是唯一变量"；换成互联网语境，就是先跑通单位经济模型（unit economics）再规模化投放。反过来，赵括式的创业者太多了：产品没验证就烧钱扩张，先冲上去打，指望市场运气赏饭吃——“先战而后求胜"的每个时代版本，结局都差不多。
庙算 = 投资前的尽职调查，但它更强调"算不胜就不做”。 现代尽调有时沦为走流程——结论早就定了，材料只是补的。孙子的庙算是真否决权：“得算少"就不打，哪怕国君想打。这对应的是决策机制设计：核算结论有没有能力否决一个"老板很想做"的项目？如果没有，庙算就只是仪式。
兵法 × 毛选 × 创业，是一个三角呼应。 毛泽东的军事思想里有两条明显和《孙子》一脉相承：一是"集中优势兵力，各个歼灭敌人”——这就是庙算"得算多"在战术层面的落实，不在全局占优没关系，要在局部造出绝对优势再打，即"先胜"的最小化实现；二是"不打无准备之仗，不打无把握之仗"——几乎是"先胜而后求战"的白话版。再把这个三角的第三角——精益创业的"验证假设再投入"——接上，会发现跨越两千多年、从庙堂到战场到车库，面对不确定性时的最优策略收敛到了同一套：先算账，先不败，等概率站到自己这边再动手。不同文明、不同领域反复独立发现同一套东西，通常说明它是规律而不是技巧。
“无智名，无勇功"是对英雄主义叙事的祛魅。 工程师文化里也有类似的分野：有的人靠半夜救火的传奇故事出名，有的人的系统从来不出事所以默默无闻。孙子明确站后者——善战者无赫赫之功，因为仗在庙算阶段就已经赢完了。个人职业选择上，要警惕那种"只有陷入危机才能体现价值"的岗位和环境；组织设计上，要让"没出事"的人得到比"救成火"的人更高的评价——这很难，但方向是对的。
克制是这本书的隐藏主线。 不打包票（多算胜，不是必胜）、不许诺奇迹（胜可知不可为）、不推荐热血（攻城是下策）、不允许情绪（主不可怒而兴师）。一本兵书写得比大多数理财书还冷静，这本身就是它穿越两千五百年还值得读的原因：它信任的是算，不是赌。
“等"是一种被严重低估的能力。 王翦等楚军调动，李牧等匈奴松懈，一等就是几个月甚至几年。现代语境里"等待"几乎是个贬义词——不行动显得不作为。但孙子的框架里，等待不是空转：坚壁期间李牧在练兵、在养士气、在让对方形成错误的预期，“等"本身是策略的组成部分，是为"可胜"出现那一刻积累筹码。对应到个人和创业上：没机会的时候把钱攒够、把能力练扎实、把组织的士气养好，比瞎折腾高级得多。“先为不可胜"的阶段看起来什么都没发生，其实一切都发生在那里。
最后泼一盆冷水：商场不是战场，迁移要有边界。 读兵法谈创业的文章最容易犯的错，是把两者完全等同。至少有两点本质差异要警惕：一是战争大体是零和的（你赢的土地就是对方丢的），而好的商业创造增量、可以是正和的——把同行全当"敌人"去打，会错过合作和生态，这也是为什么"上兵伐谋、其次伐交"在商业里反而比"伐兵"用得多；二是战争有明确的终局（灭国、停战），商业没有，组织要永续经营，“兵贵胜不贵久"不能简单套用成长期主义的对立面。所以正确的姿势是：借孙子的决策框架（庙算、先胜、虚实），但不继承他的对抗预设。框架是通用的，预设不是。

本篇小结

全书立场：兵者国之大事，慎战先于好战——不可逆决策要清零情绪、上足流程；
庙算（五事七计）是决策前的成本收益核算，本质是带否决权的尽职调查，算不胜就不打；
先胜后战是全书的题眼：先为不可胜（主动权在己），以待敌之可胜（机会在敌），善战者无智名无勇功；
知己知彼里"知彼"更难也更值得投入，孙子只承诺"不殆”，不承诺"百胜”；
上兵伐谋：解决问题的层级越靠前越便宜，攻城（硬碰硬的消耗战）永远是下策；
以正合以奇胜：基本盘用正兵守住不败，小比例资源押不对称机会，奇正互相转化；
执行层的总纲是"致人而不致于人、避实而击虚”：不在对手设好的战场上应战；
迁移到商业和个人决策时要划清边界：借框架（庙算、先胜、虚实），不继承零和对抗的预设；
《作战篇》补充了慎战的第二层：时间是最贵的成本，“兵贵胜不贵久"对应到今天就是现金流纪律；
《用间篇》收尾全书：先知必取于人，情报和一手信息永远是最便宜的投资。

读完最深的感受：这本书教的不是怎么赢，是怎么让自己处在一个"输不了、等得起"的位置上——然后赢不赢，交给时间和对手。对个人如此，对创业公司如此，对一支军队如此。

最后再补一句读法建议：这本书值得每隔几年重读一次。年轻时读，读出的是"奇谋妙计”；做几年工程、带几年团队再读，读出的全是"成本、概率、纪律”。书没变，是你手里的决策权重变了——这大概是所有真经典的共性：它不提供答案，它提供称量答案的那杆秤。

《Founders at Work》笔记：32 份一手证词比二手报告值钱

Fri, 08 Sep 2023 10:40:00 +0800

《Founders at Work》笔记：32 份一手证词比二手报告值钱

Jessica Livingston 是 Y Combinator 的联合创始人，2007 年她把对 32 位科技公司创始人的访谈结集出版，就是这本《Founders at Work》。这本书没有框架、没有方法论章节、没有"创业十步法"——它就是一叠访谈实录：PayPal 的 Max Levchin、Apple 的 Wozniak、Hotmail 的 Sabeer Bhatia、Viaweb 的 Paul Graham、Blogger 的 Ev Williams、craigslist 的 Craig Newmark……每个人对着录音笔讲自己当年怎么把公司从零做起来的。

我读它的动机很直接：市面上讲创业的书大多是记者和学者写的二手报告，故事被磨得又圆又亮，因果链条清晰得像事后编的。而这本书的价值恰恰在于"没打磨"——幸存者自己讲的故事里，能看到 pivot 的狼狈、缺钱的窘迫、被投资人拒绝的真实细节。一手证词比二手报告值钱，这是我读完最大的方法论收获。

这篇笔记干三件事：先讲为什么一手访谈这种体裁值钱；再从 32 份访谈里提炼出反复出现的共性模式；最后挑 5 个案例展开讲关键细节。

一、为什么一手访谈 > 二手报告

做工程的人都知道：线上事故的复盘，值班工程师的口述记录比一个月后管理层写的 PPT 有用得多。PPT 里事故是一条干净的因果链：“因为配置错误，所以服务宕机，所以我们加了检查项”。而口述记录里全是毛边：“当时我以为是缓存问题，重启了两次没好，才发现 DNS 也不对，中间还有半小时我们在争论要不要回滚”。

二手报告的毛病有三个：

幸存者偏差的二次方。报告本来就在写幸存者，写的时候又把幸存者叙事里的随机性和运气抹掉，只剩下"远见"和"执行力"；
事后合理化。人回忆成功路径时会不自觉地把它讲成一条直线，当年明明是从 A 想法 pivot 到 B 才活下来的，讲出来就成了"我们一开始就看好 B"；
细节损耗。真正有用的信息全在细节里——融不到钱时团队怎么活、第一个用户从哪来、被巨头拒绝时怎么办——这些在二手报告里通常被压缩成一句"经历了艰难的早期"。

同一段历史，两种载体，信息的衰减路径完全不同：

flowchart LR
    subgraph SRC["真实历史：混乱、偶然、缺钱、走运"]
        R["当事人的记忆<br/>带毛边、带情绪、带具体数字"]
    end
    subgraph PATH1["一手路径"]
        A["访谈实录<br/>具体、未经包装<br/>但可能有记忆偏差"] --> A1["读者自己提炼模式"]
    end
    subgraph PATH2["二手路径"]
        B["记者/学者转述"] --> B1["被磨成光滑因果链<br/>运气被删除<br/>细节被压缩成'早期艰难'"]
    end
    R --> A
    R --> B

两条路径各有偏差：一手路径的偏差是"当事人记错或自我美化"，二手路径的偏差是"转述者替你做了归因"。前者你能自己校准，后者你连校准的机会都没有——因果链已经替你想好了。

Livingston 的访谈好在她问的都是具体的、难以编造的问题：“你们第一天在干什么？““钱什么时候快烧完的？““投资人具体是怎么拒绝你们的？“被访者的回答未经公关包装，经常有"说实话当时我们根本不知道在干什么"这种话。

感悟：这跟看技术文档是一个道理——官方文档告诉你 API 怎么用，但只有源码和 issue 区告诉你它在什么情况下会炸。一手访谈就是创业史的"源码 + issue 区”。

当然，一手访谈也不是没有偏差：幸存者毕竟还是幸存者，记忆会自我美化。我的读法是：信细节，不信结论。创始人总结的"成功是因为我们坚持用户至上"听听就好，但"我们账上只剩够发一个月工资的钱"这种细节，多半是真的。

二、32 份访谈里反复出现的创业共性模式

把 32 个故事叠在一起看，有些模式出现的频率高到不可能是巧合。我画了一张图来归纳：

flowchart TB
    subgraph P1["① 起点：想法经常不是最后做成的那个"]
        A1["从别的想法出发<br/>pivot 是常态而非意外"] --> A2["PayPal: PalmPilot 加密 → 邮件支付<br/>Blogger: 项目管理工具 → 博客发布器"]
    end
    subgraph P2["② 早期：不被理解"]
        B1["投资人看不懂<br/>巨头看不上<br/>用户也不是调研出来的"] --> B2["Apple 被 HP 拒绝多次<br/>Hotmail 融资四处碰壁"]
    end
    subgraph P3["③ 生存：缺钱是默认状态"]
        C1["融资艰难<br/>创始人不拿工资<br/>账上只剩几个月"] --> C2["Blogger 员工走光只剩 Ev 一人<br/>Viaweb 靠接单养产品"]
    end
    subgraph P4["④ 顺序：先有产品，后有商业模式"]
        D1["先把东西做出来<br/>让用户用上"] --> D2["Hotmail 增长先于盈利模型<br/>craigslist 多年不收费"]
    end
    P1 --> P2 --> P3 --> P4

这四条单独看都不新鲜，创业鸡汤里全有。但访谈实录的价值在于给你看每条模式的具体纹理：

pivot 不是战略会上拍板的优雅转身，而是"原来的东西没人要，账上钱在烧，不得不试点别的”；
“不被理解"不是一句带过，而是 Apple 被 HP 正式拒绝了不止一次，Wozniak 甚至愿意把设计白送给 HP；
“缺钱"不是励志修辞，而是 Ev Williams 看着员工一个个离开、最后一个人守着服务器；
“先做产品后想商业模式"不是方法论选择，而是大多数时候根本没时间想——Hotmail 的用户增长速度让带宽账单先成了问题。

感悟：读多了你会发现，成功的创业故事和失败的创业故事，在早期阶段长得几乎一模一样——都缺钱、都被拒绝、都在 pivot。差别往往只在"有没有活到 pivot 成功的那一天”。所以"活下去"不是底线思维，它就是主线。

三、案例一：PayPal——两次 pivot 才到支付

PayPal 的故事是"pivot 是常态"这条模式最完整的样本。Max Levchin 在访谈里讲得很坦白：

最初的创业方向（公司前身 FieldLink，后改名 Confinity）是做 PalmPilot 上的加密技术——在 PDA 上存储加密信息，比如密码和卡号。技术很酷，问题是没人需要。于是他们在这个技术上加了一层应用：通过 PalmPilot 的红外端口互相转账——两台 PalmPilot 对着"嘀"一下，钱就过去了。这个演示效果极好，投资人当场被镇住，钱也拿到了。

然后尴尬的事情发生了：红外转账是个炫酷的演示，但现实中没几个人同时拿着 PalmPilot 站在一起还要互相转账。真正有人用的，是他们顺手做的那个"网页版/邮件版"的支付功能——给功能做演示用的网站，结果用户全跑到网页上转账去了，尤其 eBay 上的卖家买家。

公司的应对是跟着用户走：把重心彻底转到网页/邮件支付，PalmPilot 那条线砍掉。这才有了后来我们认识的 PayPal。

几个我觉得值得记的细节：

演示效果 ≠ 市场需求。红外转账在投资人面前是无敌的 demo，在市场上是无用的功能。能分清这两者的团队不多；
安全攻防是真实的生存战。Levchin 讲了大量与欺诈者对抗的细节——俄罗斯的黑客团伙规模化地薅羊毛，PayPal 被迫自研风控（后来演变成著名的验证码应用之一和整套反欺诈系统）。支付公司的核心竞争力一半是反欺诈；
pivot 不是抛弃技术。早期的加密技术积累，最后全用在了支付安全上。换方向不等于清零。

感悟：这个案例对我这个工程师的触动是——工程师最容易爱上"技术上漂亮"的东西（红外点对点转账多优雅），但市场只为"解决真实麻烦"的东西付钱（网上陌生人之间怎么安全地付款）。Levchin 自己就是技术出身，他能两次压下对技术的偏爱跟着用户走，这比写出加密算法难多了。

四、案例二：Apple——被 HP 拒绝了五次的个人电脑

Wozniak 的访谈是全书里我最喜欢的一篇，因为他讲东西的方式完全是工程师的：具体到芯片选型、怎么省元器件、怎么在频率上做手脚绕过 FCC。

关键史实线：

Wozniak 当时在 HP 做计算器工程师，业余泡在 Homebrew Computer Club（家酿计算机俱乐部）——一群硬件爱好者每周聚会交换设计和想法的地方；
Apple I 的整机设计是他在 HP 的工作之余做出来的，用的是便宜的 MOS 6502 处理器（当时主流芯片太贵），整机元器件省到极致——这是他的手艺，也是 Apple I 便宜的原因；
按照他与 HP 的雇佣协议，他做的设计要先给 HP 看。他真心希望 HP 来做这个产品，前后找了 HP 五次——部门经理、实验室负责人，一层层往上提案，全部被拒。HP 的理由很"合理”：这不是 HP 该做的产品形态，个人电脑没有市场；
被拒完之后，他才和 Jobs 自己干。Apple I 卖的是主板（用户自己配机箱、键盘、显示器），真正起飞是后来的 Apple II。

两个细节值得单独说：

① Homebrew 俱乐部这种"同好社区"的作用被严重低估。 Wozniak 反复说，他设计电脑的初衷很大程度是"做给俱乐部的朋友们看、让他们也能用上”——先有一个懂你在干什么的社区，再有产品，再有公司。这个顺序后来反复出现（craigslist 也是一个社区先于公司的故事）。

② 巨头的拒绝不是愚蠢，是结构性的。 HP 拒绝 Apple I 不是因为没有聪明人，而是 HP 的判断框架里"个人电脑"不属于任何现有产品线。这事对今天一样成立：大公司拒掉一个新方向，往往不是看走眼，而是它的组织结构就看不见这类东西。

感悟：Wozniak 这篇访谈里没有一点"怀才不遇"的怨气，他说 HP 拒绝了五次时语气就像在说一次 code review 没过。这种纯粹的"我就想把这个东西造出来"的动机，大概是他能在车库里待得住的原因。动机纯度在苦日子里是硬通货。

五、案例三：Hotmail——一行签名档带来的病毒增长

Hotmail 的故事（Sabeer Bhatia 与 Jack Smith）是"先做产品后想商业模式"和"增长先于盈利"的教科书。

史实线：

两人当时是 Apple 的同事（在 FirePower Systems 也有交集），最初的创业想法其实不是邮箱——他们想做一个基于网页的个人数据库/工具类项目（JavaSoft），融资时被投资人否了。做网页邮箱的灵感来自一个很实际的需求：公司防火墙挡了他们的私人邮箱，两人之间传文件都麻烦，于是想到——如果邮箱在网页上，从任何机器都能登；
找钱极难。Tim Draper（Draper Fisher Jurvetson）最后投了，金额不大（几十万美元级别）。谈判里著名的插曲是估值博弈，但更重要的是 Draper 贡献了一个影响深远的建议：在每封发出的邮件底部自动加一行签名档——“P.S. Get your free email at Hotmail”；
这行签名档的效果是：每个用户发出的每一封邮件都是一次推荐，收件人点链接注册，他发出的邮件又带签名档。这就是后来被命名为"病毒式营销”（viral marketing）的东西——这个词很大程度上就是因为 Hotmail 这个案例被造出来的；
增长曲线陡到服务器和带宽先撑不住。上线后短时间内用户从零涨到百万级、千万级，成为全球最大的邮箱服务之一；
1997 年底，上线约一年半后，以约 4 亿美元的股票卖给了微软。

值得琢磨的点：

病毒增长不是"营销技巧”，是产品机制：签名档寄生在产品最核心的动作（发邮件）上，不花一分钱广告费。后来所有做增长的人都在找自己产品里那个"寄生点”；
商业模式是后置的。Hotmail 先有了千万级用户，盈利（广告）是后来的事，卖给微软时收入模型也远谈不上成熟。先有规模，再变现——这条路线在 1996 年是非常反直觉的；
需求的起点小得可笑：两个人想绕开公司防火墙收发邮件。大需求经常伪装成一个小麻烦。

感悟：Hotmail 让我重新理解了"分发"这个词。工程师做产品默认想的是"把功能做好”，而 Hotmail 的胜负手在于把"分发机制"直接焊进了产品动作里。代码写得好只能让你不输，分发机制才能让你赢。

六、案例四：Viaweb——最早的网页应用，和它教会 YC 的事

Viaweb（Paul Graham 与 Robert Morris，后来 Trevor Blackwell 加入）是这本书里和我所在的行业连接最深的故事——他们 1998 年以约 4900 万美元（股票）卖给 Yahoo，产品改名 Yahoo Store；而 Graham 后来用这笔钱和这段经历合伙创办了 Y Combinator，这本书的作者 Jessica Livingston 就是他的合伙人（也是妻子）。

史实线：

1995 年起步，做的产品是让商家通过浏览器搭在线商店——今天听起来平平无奇，但在 1995 年这是激进的想法：当时的软件都要装在本机，“软件跑在服务器上、用户用浏览器操作"这件事，Viaweb 是最早做出来的一批，Graham 称之为最早的网页应用（web application）之一；
技术栈很野：后端大量用 Lisp。这个选择在访谈里被反复问到，Graham 的态度是 Lisp 让他们迭代速度比竞争对手快——功能可以飞快上线，这在抢占新市场时是真优势；
早期靠"什么都干"活着：帮商家建站、手动给商家配图片、做咨询式服务养产品。用户是个位数的时候，onboarding 全手工；
1998 年 Yahoo 收购，约 4900 万美元，产品成为 Yahoo Store。

这个案例里我觉得最值钱的三条经验（后来全成了 YC 的教条）：

“做不能规模化的事”（do things that don’t scale）。早期手工服务每一个商家，看起来笨，但那是直接理解用户的唯一方式。这条后来被 Graham 写成著名文章，源头就在 Viaweb；
迭代速度是早期公司唯一的护城河。没有品牌、没有钱、没有渠道，你唯一能比对手快的就是发布速度。工具链（他们选 Lisp）要为迭代速度服务；
小团队 + 低烧钱 = 活得久。Viaweb 三年里人很少、花得省，所以能等到市场（电商）自己成熟。

感悟：Graham 后来写的所有创业文章，几乎都能在 Viaweb 这段经历里找到原型。读这一章的感觉像是读到了 YC 方法论的"创世区块”。也再次印证了一手材料的价值：二手转述告诉你"YC 主张精益创业"，一手访谈告诉你这个主张是从"当年我们穷得只能精益"里长出来的。

七、案例五：Blogger——员工走光后，一个人守住的产品

Ev Williams 的 Blogger 故事是"缺钱是默认状态"这条模式最极端的版本，也是全书里我觉得最悲壮的一篇。

史实线：

Blogger 出自 Pyra Labs，而 Pyra Labs 最初做的产品是一个项目/团队协作管理工具（Pyra），Blogger 只是团队内部给自己用的小发布工具——又一个 pivot 案例：内部工具比主产品先有了用户；
2000-2001 年互联网泡沫破裂，Pyra Labs 融资无望，账上的钱烧完了。Ev Williams 在访谈里很平静地讲了最难堪的部分：付不出工资，员工一个个离开，最后整个公司只剩他一个人，服务器账单都成问题，他继续一个人维护 Blogger 的服务；
转机来自产品本身的生命力：博客这个形态在 2001-2002 年持续自然增长，Blogger 是最大的入口之一。后来推出了付费版（Blogger Pro）多少回了一点血；
2003 年，Google 收购了 Pyra Labs（Blogger）。价格未公开，但这一步让"博客"正式进入主流视野，也让 Ev 有了后续创业的本钱（之后是 Twitter，当然那是书外的故事了）。

这篇访谈里最打动人的不是"坚持"这个抽象品质，而是坚持的具体形态：没有钱、没有团队、没有投资人的背书，只剩"这个产品还有人在用，我不能让它挂掉"。用户还在增长这个事实，成了他继续的唯一理由。

感悟：很多创业建议说"数据不好就该放弃"，但 Blogger 的案例给了另一面：当外部环境（资本市场）塌了、而用户数据还在涨时，该信哪个？Ev 信了用户。当然，这话说起来轻巧——他信用户的代价是一个人扛了将近两年。这类决策没有公式，只有"你对这个需求的真实性有多确定"。

另外值得记一笔的是 Blogger 的 pivot 结构：主产品（协作工具）没成，内部工具（博客发布器）成了。内部工具外化成产品这条路径后来反复出现（Slack、很多开发者工具都是这个剧本），Blogger 是早期样本。

八、顺带一提：craigslist——一个拒绝长大的例外

Craig Newmark 的故事值得单独提一句，因为它是全书模式的一个"反例"，而反例最能校准认知：

1995 年，Craig 在旧金山给朋友们发活动信息的邮件列表，就是 craigslist 的全部起点。邮件列表装不下了，做成网页；用户要发招聘信息，加招聘版块；要租房信息，加租房版块——所有功能都是用户要什么加什么；
它多年保持极小的团队、极简的页面（那个著名的朴素界面），拒绝 VC，很多年只对少数类别的发帖收费，其余免费；
结果是：没有病毒营销、没有 pivot、没有惊心动魄的融资战，一个"慢公司"长成了分类广告的巨头，顺便把美国报纸的分类广告业务打残了。

craigslist 说明共性模式不是普适定律：如果需求真实且增长自发生，“不融资、不 pivot、不追增长"也能成。但这种路径的前提是你对增长速度没有执念，且市场窗口允许你慢慢来——1995 年的分类广告允许，大多数今天的市场不允许。

八·附：其他几篇值得一读的访谈

篇幅所限没有逐篇展开，但 32 篇里还有几篇的质量不输上面五个案例，简要标注一下，方便按兴趣翻原书：

Paul Buchheit（Gmail）：Gmail 起源于他在 Google 内部做的项目，用大量被"不可能"包围的判断（网页邮箱给 1GB 容量、全文搜索代替文件夹归类），讲了一个"在巨头内部做叛逆产品"的样本。他后来也是"Don’t be evil"这句话的提出者之一；
Caterina Fake（Flickr）：Flickr 是从一个在线游戏项目（Game Neverending）里 pivot 出来的——游戏没成，游戏里的照片分享功能成了。又一个"内部工具/附属功能反杀主产品"的案例，和 Blogger 同构；
Mitchell Kapor（Lotus）：Lotus 1-2-3 是 PC 时代第一个"killer app”，它的意义是证明了"软件本身可以是一门大生意"——在这之前大家默认卖硬件送软件；
Charles Geschke（Adobe）：Adobe 的起点是 Xerox PARC 里不被看好的 PostScript 技术，两位创始人带着技术出走创业。又一个"巨头看不见新品类"的注脚，和 Apple/HP 的故事互为镜像；
Blake Ross（Firefox）：在 IE 一家独大、所有人都说浏览器战争结束了的年代，从 Mozilla 里精简出 Firefox 重新开打。讲的是"在巨头已’获胜’的市场里怎么找到破口"。

读法建议：不必按顺序读。先挑你熟悉的公司的篇章，感受"已知的结局 + 未知的细节"之间的落差——这个落差就是这本书的信息量所在。

九、思考与感悟

一手材料的习惯值得迁移到所有学习里。 这本书给我最大的方法论提醒：学任何领域，优先找一手材料——当事人访谈、原始论文、事故复盘原文、源码本身。二手解读帮你省时间，但也帮你过滤掉了真正有用的毛边。做技术选型时看官方 benchmark 是一手，看"十大框架对比"公众号文章是二手，两者的信息密度差着数量级。
pivot 是能力，不是失败。 32 个故事里一大半做过 pivot，而且 pivot 的形态高度一致：不是推倒重来，而是"原来积累的技术/用户/认知，换一个需求接着用"。PayPal 的加密技术变成了支付安全，Pyra 的内部工具变成了 Blogger。所以真正重要的不是"押对第一个想法"，而是保持"手上的东西能复用到下一个想法"的弹性——架构上如此，认知上也如此。
“被拒绝"包含的信息量比"被接受"大。 HP 五次拒绝 Apple I，不是因为 HP 笨，而是因为组织框架装不下新品类。同理，投资人拒绝你，多数时候不是你的项目不行，而是你的项目不在他的认知框架里。这条对工程师找工作、推技术方案同样成立：被拒绝时先判断"对方框架里有没有我这个类别”，再决定是换受众还是换方案。
增长机制要被设计进产品，而不是外包给市场部。 Hotmail 的签名档是最干净的示范：产品动作本身就是分发动作。今天做产品的工程师依然很少在设计阶段问"用户的使用行为里，哪一步天然会触达新用户"，但这个问题往往比"功能做得多完善"更决定生死。
活下去是主线任务。 缺钱、被拒绝、员工走光，这些在成功者的故事里不是插曲而是常态。差别在于有人账上的钱、心里的劲、手上的用户数据，三者中至少剩一个能撑到转机。Graham 后来总结的"default alive vs default dead"，源头就是这些访谈里一个个具体的生死时刻。
别把幸存者模式当成功配方。 这是读完 32 篇之后必须泼给自己的冷水：这本书里只有活下来的人。同样的 pivot、同样的死扛，放在失败者身上就叫"方向不清"和"沉没成本谬误"。这些模式真正的用法不是照抄，而是校准预期——让你知道缺钱、被拒、走弯路是这条路的默认路况，而不是你走错了的信号。
对工程师个人，这本书还有一层职业启示。 这 32 个人里相当多数是技术出身（Wozniak、Levchin、Graham、Buchheit），但他们的胜负手几乎都不在技术上：Levchin 赢在两次压下技术偏爱，Graham 赢在手工服务商家，Bhatia 赢在一行签名档。技术在早期公司里是入场券，不是护城河——迭代速度、对用户的贴身理解、活下去的现金流纪律，才是。想明白这一点，对"工程师要不要懂产品、懂增长"这个问题就不会再有纠结了。

本篇小结

这本书的方法论价值大于内容价值：32 份一手访谈证明，创业史的"源码和 issue 区"比二手报告的光滑叙事有用得多；读法是信细节、不信结论；
反复出现的共性模式四条：从别的想法 pivot 而来、早期不被理解、缺钱是默认状态、先做产品后想商业模式——但要看具体纹理，不看鸡汤版本；
五个案例各记一句话：PayPal 演示效果不等于市场需求；Apple 被巨头拒绝是结构性的不是个人的；Hotmail 把分发焊进产品动作；Viaweb 的早期经验后来成了 YC 的全部教条；Blogger 证明了"用户还在涨"可以是独自坚持的全部理由；
例外同样重要：craigslist 用"慢公司"路径走通，说明模式是概率不是定律；
书外的补充阅读路径：Graham 的散文集《Hackers & Painters》（Viaweb 经验的文章版）、Hotmail 案例在几乎所有增长黑客教材里的复盘，以及 YC 历年创始人访谈（Founders at Work 的精神续作）。

如果要给这本书一个一句话评价：它不是教你"怎么创业成功"的书，而是教你"创业真实长什么样"的书。前者不存在，后者恰恰是行动前最需要的输入。

补充一个适用人群的建议：如果你是纯工程师、没打算创业，这本书也不会浪费——把它当"产品决策案例库"读，每个案例都是一次完整的"需求判断 → 资源约束 → 取舍 → 验证"循环，这种判断力在选型、排期、推方案时天天用得上。

这本书适合放在手边，每当觉得"现在太难了"的时候翻一篇——你会发现 32 个后来功成名就的人，当年全都难到过不下去。这不是安慰，是基线校准。

最后说一个阅读之外的收获。读完这本书我顺手做了个实验：找了两篇讲同一家公司（比如 PayPal 早期史）的二手长文，和书里 Levchin 的访谈对照着读。结果很说明问题——二手长文里的 PayPal 是"几个天才看准了电子支付的未来"，访谈里的 PayPal 是"PalmPilot 没人用、欺诈团伙天天攻击、和 X.com 合并后内部天天吵架"。前者读起来爽，后者读完你真的会做事。

这就是为什么我打算把"找一手材料"变成自己以后研究任何主题的第一步：不管是学一个行业、调研一个竞品，还是复盘一次失败，先找到那个真正在场的人说了什么，再决定信不信别人替他做的总结。这个习惯平移到工程上就是：看 issue 区而不只看文档、看原始日志而不只看监控大盘的结论、听当事人的复盘而不只看事故通报——成本更高，但每次都有超额回报。

《从0到1》笔记：一半对一半错，正好练唱反调

Fri, 08 Sep 2023 10:40:00 +0800

《从0到1》笔记：一半对一半错，正好练唱反调

Peter Thiel 的《从0到1》（Zero to One，2014，基于 Blake Masters 在斯坦福 CS183 课堂笔记整理）是过去十年被引用最多的创业书之一。它的核心命题很挑衅：从 1 到 n 是复制（全球化），从 0 到 1 才是创造（科技）；竞争是失败者的游戏，垄断才是好生意的同义词。

这本书我隔几年重读一次，感受很稳定：一半觉得"说得太对了"，一半觉得"这也太狂了"。这篇笔记就按这个比例来——先把全书骨架蒸出来，再专门留一节唱反调。对一个习惯了看数据、写代码的人来说，这种"信一半驳一半"的书其实最有训练价值：它逼你把每个论点拆开，单独评估置信度。

一、全书骨架：一张反共识地图

《从0到1》不是操作手册，是一本"观点集"。先建全景，后面每节对号入座：

flowchart TB
    subgraph L1["① 世界观：反共识"]
        A1["核心面试题<br/>什么重要真理<br/>很少有人同意你？"] --> A2["0到1 vs 1到n<br/>科技 vs 全球化"]
    end
    subgraph L2["② 商业观：垄断优先"]
        B1["竞争是失败者的游戏<br/>Competition is for losers"] --> B2["垄断者的谎言<br/>与竞争者的谎言"]
        B2 --> B3["先垄断小市场<br/>再扩张"]
    end
    subgraph L3["③ 方法论：怎么做到"]
        C1["幂次法则<br/>少数公司回报超其余总和"] --> C2["明确的乐观主义<br/>对未知的未来做确定计划"]
        C2 --> C3["创业七问<br/>工程/时机/垄断/人员<br/>渠道/持久/秘密"]
    end
    subgraph L4["④ 组织观：人比流程重要"]
        D1["PayPal 黑帮<br/>团队即文化"] --> D2["创始人的悖论<br/>极端者改变世界"]
    end
    L1 --> L2 --> L3 --> L4

Thiel 的推理链条其实很清楚：因为回报服从幂次分布（③），所以只有垄断级公司值得做（②），而垄断只能靠"别人不同意的正确认知"起步（①），所以选人比选流程重要（④）。整本书就是在给这条链的每一环找论据。

感悟：读这种书，先画推理链再读细节，能避免被单个金句带节奏。金句是结论，链条才是论证——论证断了，金句就是鸡汤。

二、垄断 vs 竞争：两边的谎言

书里最出名的一句话：“Competition is for losers.” 竞争是失败者的游戏。这话刺耳，但 Thiel 给出的机制分析相当扎实。

2.1 经济学课本不会告诉你的事

传统经济学说：完全竞争市场是理想状态，垄断是失灵。Thiel 反着讲：竞争是动态的、毁灭利润的均衡——航空公司每年运送几十亿乘客、创造巨大价值，但利润微薄；垄断者才有余裕做长期投入（研发、福利、野心）。他拿 Google 当标本：搜索是垄断生意，利润高到可以养活一堆"登月项目"。

注意，Thiel 说的垄断不是"靠政府批文和寻租的垄断"，而是**“做得太好别人追不上"的创造性垄断**。这个区分很重要，也是他整套论证的道德地基。

2.2 一个精彩观察：垄断者和竞争者都在撒谎

这是我觉得全书最锋利的一段——两种公司都会对自己的市场地位撒谎，但方向相反：

flowchart TB
    subgraph M["垄断者：把市场吹大"]
        M1["真实处境<br/>在细分市场占绝对优势"] --> M2["对外话术<br/>我们身处巨大市场<br/>份额微不足道"]
        M2 --> M3["目的<br/>躲开监管和反垄断注意"]
    end
    subgraph C["竞争者：把市场画小"]
        C1["真实处境<br/>在拥挤市场里挣扎"] --> C2["对外话术<br/>我们是某个交叉领域<br/>独一无二的存在"]
        C2 --> C3["目的<br/>融资时显得稀缺"]
    end
    M3 -.-> TRUTH["同一条规律<br/>你的市场定义是为叙事服务的<br/>不是为事实服务的"]
    C3 -.-> TRUTH

案例几乎不用找，Thiel 自己给的就是最好的：

Google（2014 年）：占全球搜索市场约三分之二份额（美国市场约 68%），但它从不说自己是"搜索公司”。它的自我叙事是"广告公司"——全球广告市场近 5000 亿美元，Google 只占百分之三点几；或者干脆说"科技公司"——和消费电子、汽车（自动驾驶）同场竞技，份额小到可以忽略。同一个市场份额，换个分母，垄断者就变成了小鱼。
融资中的创业者：反面就是经典的"我们是 Palo Alto 唯一一家英式料理餐厅"——把市场定义成"英式料理 × Palo Alto"，你就是垄断者了。这是假垄断，因为没人想吃英式料理。

踩坑式提醒：这个"市场定义即叙事"的视角，反过来用来读别人的 BP（商业计划书）特别好使。看到"我们是 XX 领域唯一的 YY"时，先问一句：这个交叉领域是真实需求，还是为了让份额数字好看而切出来的？

2.3 竞争的代价：盯着对手，忘了问题

Thiel 还有个妙喻：马克思模型里人因为差异而冲突，莎士比亚模型里人因为太像而冲突——罗密欧与朱丽叶两家世仇，其实彼此一模一样。公司也是：越同质化的对手越容易陷入消耗战。书中案例是微软和 Google 缠斗那些年（必应 vs 搜索、Office vs Docs、Windows vs 智能手机），两家互相消耗，结果到 2013 年 Apple 的市值超过了这两家之和。这个案例放在今天看更有味道——缠斗的赢家往往不是参战方。

2.4 怎么成为垄断者：先小后大

Thiel 给的路径是反直觉的：从一个极小的市场起步并垄断它，再向邻近市场扩张。案例链条很经典：

Amazon：先垄断在线图书（品类多、SKU 标准化、库存好管），再扩到光盘、软件、一切商品；
Facebook：先垄断哈佛大学一个校园（几千人），10 天内拿下大半学生，再逐校扩张；
PayPal：先服务 eBay 上几千个高频大卖家（PowerSeller），搞定这个极小群体后再扩；
eBay 自己：从 Beanie Babies 毛绒玩具收藏者这种小圈子起家。

反例是清洁能源泡沫里的普遍做法：一开口就是"万亿级能源市场"，拿 1% 也是巨头——大市场意味着大竞争，大竞争意味着没人赚到钱。

2.5 后发优势：别迷信"先发"

管理学鸡汤爱讲 first-mover advantage（先发优势）。Thiel 直接拆台：先发只是战术，不是目标；真正的目标是成为"最后一个做出重大改进的人"（last mover）——做出某个市场里最后一步关键进展，然后享受此后多年甚至几十年的垄断利润。

检验方法很朴素：问自己"10 年、20 年后我的生意还在吗"，而不是"我能不能抢先上线"。案例书里随手就有：

Google 不是第一个搜索引擎，前面排着 AltaVista、Lycos 一串先烈——它是最后一个把搜索质量做到代际领先的公司；
Facebook 不是第一个社交网络，Friendster、MySpace 都跑在它前面——MySpace 一度声势更大，但 Facebook 靠"先小圈子垄断、再逐圈扩张"把前者熬死了；
反过来，抢首发但没有后续壁垒的产品，市场一旦验证成立，巨头带着资源进场，先发者就成了免费的市场教育员。

感悟：这条对技术选型同样成立。“我们得赶紧用上 XX 框架，晚了就落后了"是典型的先发焦虑；真正该问的是"这个技术解决了什么别人十年内追不上的结构性问题”。抢风口抢来的是先发，解决结构性问题攒下的才是后发。

三、那道著名的面试题：什么重要真理很少有人同意你？

“What important truth do very few people agree with you on?”

Thiel 说这是他最喜欢问的面试题，也承认极其难答——因为正确答案必须同时满足"是真的"和"几乎没人信"。心理上，人是群居动物，随大流有安全感；认知上，要讲出别人没讲过的东西，你得真的独立思考过。

书中 Thiel 自己给的答案是：大多数人认为未来由全球化（把有效的东西复制到全世界，1→n）定义，他认为未来由科技（做出全新的东西，0→1）定义。理由：没有科技进步的全球化不可持续——如果全世界穷国都按美国的能耗标准生活，资源会崩；而只靠复制现有技术，人类没有出路。

顺便说下这道题的回答技巧（书里也有）：合格的答案格式是"大多数人相信 X，而真相是 X 的反面/或 X 的盲区"。像"我们的教育系统烂透了需要修"这种不算——太多人同意；“素食主义是未来"也不算——那只是个口味主张。真正的答案必须既反主流、又可辩护。我在团队里试过拿这道题做面试追问，过滤效果意外地好：多数候选人会卡在"想一个别人没说过的东西"这一步，而真正独立思考过业务的人，几乎张口就来。

感悟：这道题我拿来问过自己，发现最难的不是"找到反共识观点”，而是区分"反共识"和"标新立异"。反共识观点要附带着可检验的推演——Thiel 押 Facebook 不是因为他喜欢当少数派，而是他对"社交网络的复利效应"有一套当时多数投资人不看好的具体论证。没有论证的反共识，只是抬杠。

四、幂次法则：这本书的数学骨架

第 8 章讲幂次法则（Power Law），我认为这是全书对工程思维者最有用的一章——它把一个投资常识泛化成了一条决策原则。

4.1 风投回报不是正态分布

我们受的教育默认世界服从正态分布：中等的是常态，极端的是异常。但风投回报服从幂次分布：

flowchart LR
    subgraph FUND["一支风投基金的真实回报结构"]
        R1["少数几家公司<br/>单家回报超过<br/>其余全部投资之和"]
        R2["一批公司<br/>小赚或回本"]
        R3["一大批公司<br/>归零"]
    end
    R1 --> CONSEQ["推论 1：不值得投的公司<br/>占了组合绝大多数"]
    R1 --> CONSEQ2["推论 2：'撒网式分散'<br/>在幂次世界里是自杀"]
    R2 --> CONSEQ
    R3 --> CONSEQ

书中的硬数据：Thiel 2004 年给 Facebook 投了 50 万美元（Facebook 的第一笔外部投资），拿下约 10.2% 股份。到 2012 年 Facebook 上市、市值超 1000 亿美元时，这一笔的回报超过了 Founders Fund 组合里几乎所有其他投资的总和。Facebook 之于那支基金，就像那支基金之于 LP 的整个组合——幂次在每一层都成立。

Thiel 把这称为"风投最大的秘密"：成功的基金里，最好的一笔投资回报等于或超过其他所有投资的总和。这个分布特征决定了风投行为的反直觉之处——既然是幂次世界，“撒网式投一堆然后等概率"的策略从数学上就不成立，因为回报的全部质量都压在右尾那极少数公司上。书里还提到一个侧面的观察：他自己投的 Palantir 到 2014 年估值已达数十亿美元级别——但即便如此，在幂次分布里它也只是"好”，而不是"那一家"。这个区分本身就是幂次思维：好与最好之间不是线性差距，是数量级差距。

4.2 幂次法则的普适推论

Thiel 强调幂次法则不只属于风投，它是宇宙的一般规律（他还顺嘴提了帕累托 80/20 是其通俗版）。推论相当激进：

你本身就是一支基金：你的职业生涯是单一仓位。所以选对在哪投入时间，比"多线并行分散风险"重要得多；
每个创业者也只能做一件事：一个深思熟虑后决定全力以赴的方向，胜过一堆"两边都沾点"的备胎计划；
不要"把鸡蛋放进几十个篮子"——在幂次世界里，绝大多数篮子的价值加起来也追不上最好的那个篮子。

感悟：这一章改变了我的一个习惯——评估机会时不再问"这个选项有没有缺点"（所有选项都有缺点），而是问"这个选项有没有成为我组合里那笔 Facebook 的潜质"。两个问题的筛选结果完全不同。幂次思维本质上是用方差换期望值。

五、明确的乐观主义：你对未来有计划吗？

Thiel 把社会/个人按两个维度切分：对未来乐观还是悲观、对未来有明确计划还是没有。四种组合：

明确的乐观主义（definite optimism）：相信未来会更好，并且知道怎么让它变好——做长期计划，押注自己的设计。Thiel 的标本是 1950-60 年代的美国（阿波罗计划、州际公路、登月工程）；
不明确的乐观主义：相信会变好，但不知道怎么办，所以不计划、只"多元化"。Thiel 认为 1982 年之后的美国就是这样——金融、法律、咨询当道，因为它们都是"帮人重新配置存量"的行当，不需要你对未来有主张；
明确的悲观主义：知道未来会变糟，提前做准备。他的标本是中国（存钱、复制西方已验证的技术）；
不明确的悲观主义：知道会糟、不知道多糟、也做不了什么。标本是当代欧洲——“度假式"等待衰退。

书里最损的一句大意是：一个不明确的乐观主义者最好的职业选择是什么？——金融。因为金融的本质就是"不知道钱该干嘛，所以让钱流动起来收过路费”。

感悟：这一章翻译到工程师语境毫不违和。“明确的乐观主义"约等于敢立长期技术路线的架构师——“我们赌这个方向，三年摊掉成本”；“不明确的乐观主义"约等于只会上各种中间件、什么火追什么、从不下注的团队。后者看起来永远在"保持技术敏锐”，实际上从不积累复利。Thiel 的洞见在于：不确定时代的"灵活"是有代价的，代价就是你永远在别人的终局里打工。

六、创业七问：一套可操作的尽调清单

第 15 章 Thiel 用清洁能源泡沫做案例，提出评估一家创业公司必须回答的七个问题。这大概是全书最"工程"的部分——可以直接当 checklist 用：

工程问题：你的技术是突破性改进，还是 20% 的改良？（增量改良在大市场里没有生存空间）
时机问题：现在是做这件事的正确时机吗？
垄断问题：你是从小市场里的大份额起步吗？
人员问题：团队对吗？
渠道问题：除了造产品，你有办法把产品卖出去吗？
持久问题：未来 10-20 年，市场地位守得住吗？
秘密问题：你看到了别人没看到的独特机会吗？

6.1 泡沫的对照实验：Solyndra vs Tesla

2005-2009 年清洁能源热潮里，数十亿美元涌入，绝大多数公司七问全挂、死得干干净净。书里的典型反面教材是 Solyndra：做筒状太阳能电池板，技术说不上突破（效率优势被成本吃掉）、从小市场垄断无从谈起（上来就建巨型工厂）、拿了 5.35 亿美元联邦贷款担保，2011 年破产清算，成为奥巴马政府的政治伤口。

同一片泡沫里活下来的是 Tesla——Thiel 逐问给它打勾：技术领先到奔驰、丰田都买它的电池和动力总成；时机踩准（2009 年初拿到美国能源部 4.65 亿美元贷款，那波政策窗口稍纵即逝）；从小市场起步并垄断（先造高端电动跑车 Roadster，几千辆的盘子，没有对手）；团队是"真人版特种部队"组合（工程师 Musk + 造车老炮 Straubel）；渠道自建（直营店，绕开经销商体系，重资产但保住了品牌控制）；品牌本身构成了持久壁垒；至于"秘密”——别人看到清洁能源的"时尚"，Tesla 看到技术好奇心与社会需求的交点。

感悟：这个对照实验的杀伤力在于，Solyndra 和 Tesla 拿的是同一个叙事、同一个政策环境、同一批投资人。差别全在七问的答案。七问不是保证成功的充分条件，但它是排除"必死局"的过滤器——和写代码时的 pre-condition 检查一个道理：通过了不代表对，不通过一定错。

6.2 人员问题：PayPal 黑帮

书里讲团队的部分藏着一条暗线。1999-2000 年 PayPal 那支团队（Thiel、Musk、Reid Hoffman、Steve Chen、Chad Hurley、Max Levchin、David Sacks……），2002 年 PayPal 以 15 亿美元卖给 eBay 之后，这批人散出去创办/领投了 YouTube、LinkedIn、Yelp、Palantir、Tesla、SpaceX——硅谷媒体管他们叫"PayPal 黑帮"。Thiel 的用人观很直白：招人不要看简历均衡度，要看个体极致 + 使命认同；初创公司的文化不是买来的（免费午餐、按摩师都不是文化），文化就是团队本身——一群因为同一个秘密而聚在一起的人。

这个观察落到工程团队上同样成立：战斗力强的团队，共同点从来不是福利清单，而是"这帮人在一起干一件只有他们信的事"。反过来，靠期权和免费三餐粘合的团队，秘密讲不下去的那一刻就散了。

七、唱反调：这本书哪里站不住

读这本书只点头不摇头，就白读了。以下是我认为值得认同和值得反驳的清单。

7.1 值得认同的（置信度高）

垄断利润与长期主义的关系成立。有余裕才能做十年期的投入，这在经验上反复被验证（Google 之于 AI 研究、Amazon 之于 AWS）。竞争白热化的行业里，确实没人养得起"无用"的探索；
幂次法则是硬事实，不是观点。风投回报的分布数据摆在那，把它泛化到职业选择上也逻辑自洽；
“先垄断小市场再扩张"是全书被验证最多的一条。Amazon/Facebook/PayPal 之外，后来的 Airbnb（先从会议期间床位紧张的城市做起）、Stripe（先从开发者这个小群体切入）都在重复这个剧本；
“市场定义即叙事"的观察一针见血，作为尽调工具和防忽悠工具都极好使。

7.2 值得反驳的（漏洞明显）

把竞争污名化，系统性忽视消费者福利。Thiel 的垄断论证全程站在生产者视角：垄断利润对企业好，所以垄断好。但完全竞争的"好处"从来不是给企业的——是给消费者的。航空业利润薄如纸，恰恰意味着乘客用接近成本的价格飞遍了世界。把"企业赚不到钱"直接翻译成"对社会不好”，这个偷换在书里从未被正面处理。垄断者"有余裕做长期投入"的前提是它有意愿做——历史上垄断者选择躺着收租的案例（想想本土运营商时代的电信业）并不比选择创新的少。
“秘密"论存在严重的幸存者偏差。书的逻辑是：成功者都相信秘密，所以相信秘密导致成功。但逆向验证没法做——相信秘密并且错了的人，不会写书。每一个"别人不同意但我对了"的传奇背后，都有一万个"别人不同意因为我确实错了"的沉默坟墓。特斯拉过七问是事后讲故事；事前，押注电池成本曲线的投资人里也有不少是错的。这个偏差本身倒是对幂次法则的完美注脚——讽刺的是书里没提。
对大学教育的偏见夹杂着利益。Thiel 奖学金（Thiel Fellowship）出钱让年轻人辍学创业，这是全书立场的活体广告。辍学的扎克伯格们被反复引用，辍学的失败者不被统计。对一个写书劝人"想清楚再下注"的作者来说，在这个问题上只展示单一仓位的结果，方法论上自相矛盾。
把金融/咨询一棍子打死，也过于痛快。“重新配置存量"不创造价值吗？资本市场定价失灵、资源配置错配的代价，2008 年之后全世界都付过一遍学费。Thiel 自己恰恰是金融出身——他比谁都清楚流动性不是免费的。

一句话总结：这本书的论证风格是"从幂次分布的右尾取样，讲成普遍规律”。右尾的教训是真的，但你得自己把左尾的沉默样本补回去。

八、思考与感悟

把这本书当"反共识训练器"用，而不是当创业圣经。它最大的价值不是结论，是示范了"一条反共识论证怎么构建”：找一个人云亦云的前提（竞争=好），换掉分母（站在谁的角度好），推出反直觉结论。这个手法可以复用到任何领域——包括回头审视这本书自己（第七节就是这么干的）。
幂次法则是我从这本书拿走的最值钱的东西。工程世界里到处是幂次：线上事故的分布（少数 root cause 贡献大部分故障）、代码热区（少数函数吃掉大部分 CPU）、团队产出。一旦接受这个分布，资源分配的逻辑就变了：与其雨露均沾，不如找到那个"Facebook 仓位"下重注。
“明确的乐观主义"治我的病。工程师的职业病是风险过敏——凡是没验证过的方向先想它怎么死。读完这章我给自己加了个练习：每个季度强制回答一次"如果这事成了，三年后是什么样”，写不出来的方向，要么放弃，要么先去搞清楚。不明确的乐观，本质是把决策外包给随机性。
七问框架跨界好使。我后来用它评估过技术选型：新技术是突破性改进吗（工程问）？现在迁移时机对吗（时机问）？能先在一个小场景打透吗（垄断问）？团队 Hold 得住吗（人员问）？推广路径呢（渠道问）？五年后还成立吗（持久问）？我们看到了什么别人没看到的（秘密问）？七问全过的技术决策，到现在没翻过车。
警惕"叙事分母”。Google 把分母从"搜索"换成"广告"，垄断就消失了。这个手法在工程汇报里同样泛滥：可用性 99.9%（分母里剔除了计划内停机）、性能提升 300%（基线选了个最烂的）。读完这本书我看任何百分比都先问分母——这大概是它给我留下的最持久的职业病。
唱反调本身是一种能力，不是姿态。第七节写反驳时我有个体会：反驳这本书比附和它难得多——因为它的每个论点都建立在真实案例上，你要驳就得找到它没讲的样本（左尾的失败者们）。这个过程本身就是一次幂次法则的实操课：任何只给你看右尾样本的论证，无论多漂亮，都要自己把分母补上再下结论。

本篇小结

核心命题：从 0 到 1 是科技创新，从 1 到 n 是复制扩张；好生意是垄断，竞争是失败者的游戏；
最锋利的观察：垄断者吹大市场藏垄断（Google 自称广告公司），竞争者画小市场装垄断——市场定义永远为叙事服务；
数学骨架：幂次法则——少数公司回报超过其余总和（Thiel 2004 年 50 万美元投 Facebook，回报超过基金其余全部投资）；推论到个人：职业生涯是单一仓位，选方向比分散重要；
方法论：明确的乐观主义（对未来有计划地乐观）+ 创业七问（工程/时机/垄断/人员/渠道/持久/秘密），Solyndra 七问全挂破产、Tesla 七问全过幸存，是最干净的对照实验；
唱反调结论：垄断利润、幂次法则、小市场起步值得认同；对竞争的污名化（忽视消费者福利）、“秘密"论的幸存者偏差、对大学教育的偏见值得反驳。一半对一半错——这正是拿它练独立思考的合适姿势。

最后留个使用建议：这本书适合隔几年重读一次。第一次读会被金句说服，第二次读开始看出破绽，第三次读时你会发现自己已经在用它的方法反驳它——这大概就是 Thiel 想要的读者。

《创业维艰》笔记：没有标准答案的决策练习册

Fri, 08 Sep 2023 10:40:00 +0800

《创业维艰》笔记：没有标准答案的决策练习册

Ben Horowitz 的《创业维艰》（The Hard Thing About Hard Things，2014）是我读过的所有管理书里，唯一一本不假装有答案的。书名的副标题其实可以翻译成：“当所有选项都是坏选项的时候，你该怎么办”。

市面上大多数管理书回答的是"把事情做对的方法"——怎么定 OKR、怎么做绩效、怎么搭组织。这本书回答的是另一类问题：公司账上只剩六周现金怎么办？联合创始人不得不降级怎么处理？要裁掉 40% 的员工，开口第一句话说什么？这些问题没有正确答案，只有代价不同的错误答案。

作者是 Loudcloud/Opsware 的 CEO，公司从互联网泡沫的尸堆里爬出来，最后以 16.5 亿美元卖给 HP。这不是一本成功学回忆录，而是一本"我当时快死了，这是我的病历"。工程师读起来会格外亲切：它像一份线上事故的复盘报告，而不是颁奖典礼上的获奖感言。

一、先看主线：Loudcloud/Opsware 八年生死编年史

这本书的所有道理都是从这条时间线上长出来的。先把事实骨架立起来，后面的章节都是在解释这条曲线上的某几个拐点：

flowchart TB
    A["1999 年<br/>Ben Horowitz 与 Marc Andreessen<br/>创立 Loudcloud（云计算托管服务）"] --> B["2001 年 3 月<br/>互联网泡沫破裂前夜<br/>流血上市 IPO"]
    B --> C["2001 年<br/>客户（互联网公司）成批破产<br/>营收崩塌，股价跌破 1 美元<br/>面临纳斯达克退市风险"]
    C --> D["2001-2002 年<br/>两轮大裁员<br/>高管团队几乎换血"]
    D --> E["2002 年<br/>把主营托管业务卖给 EDS<br/>只保留软件业务<br/>公司改名 Opsware，近乎重启"]
    E --> F["2007 年 7 月<br/>Opsware 以 16.5 亿美元<br/>出售给 HP"]

几个数字值得停下来看一眼：

上市时公司几乎没有营收护城河，靠的是"再不上市就没钱续命"；
股价从高点跌到 0.35 美元附近，媒体已经在写"这家公司什么时候死"；
卖给 EDS 那次交易，相当于把 90% 的员工和几乎全部营收送走，赌一个没人相信的软件业务。

补一个容易被忽略的背景：2001 年 3 月上市，本身就是一场"战时决断"。当时 Loudcloud 烧钱速度惊人，私募市场已经融不到钱，不上市就是等死；而 2000 年 3 月纳斯达克见顶之后，整个市场都在往下掉，“流血上市"几乎是唯一选项。后来回头看，正是这笔钱让公司撑过了客户成批破产的 2001-2002 年——很多战时决定在做的时候看起来难看（贱卖自己、被迫上市），但它的评分标准不是"优不优雅”，而是"公司活没活下来"。

感悟：看这条时间线，我最震撼的不是最后卖了 16.5 亿美元，而是中间那五年。换作任何一个理性的职业经理人，在 2002 年都会清盘止损——账面上这是最"正确"的决定。Horowitz 活下来的原因书里写得很直白：不是他比别人聪明，而是他比别人扛得住。这直接引出全书第一个核心概念。

二、The Struggle：挣扎不是 bug，是工作本身

书里最有名的概念是 The Struggle（挣扎）。Horowitz 对它有段近乎白描的定义，大意是：

The Struggle 是当你食不知味、夜不能寐的时候；是你怀疑为什么创办公司的人是你而不是别人的时候；是自尊变成自我憎恨的时候；是你在深渊边上，知道只有你自己能把自己捞出来的时候。

这段我反复读了几遍。它的价值不在于文学性，而在于它重新定义了挣扎的性质。

工程上有个类比：如果线上系统天天报警，你的第一反应是"系统有问题，要修"。但创业（以及很多高不确定性工作）不是系统出了故障才报警——报警本身就是系统的正常运行状态。把 The Struggle 当成需要消灭的异常，你会在"修好它"的徒劳里耗尽自己；把它当成默认环境，你才开始正常工作。

Horowitz 给的应对方法朴素得让人意外：

不要独自扛。 把坏消息摊在桌面上，让尽可能多的人参与解决。CEO 的本能是"我要保护团队不受坏消息惊吓"，结果是团队只能瞎猜，猜出来的永远比真相更糟。
聚焦"能做什么"，而不是"出了什么事"。 当公司快死的时候，团队不需要你分析宏观环境，需要你指出一个可以执行的具体动作——哪怕它只把存活概率从 1% 提到 3%。
坚持下棋。 书里有个贯穿全书的比喻：棋盘上只要还有棋子在动，就还有招。Opsware 那几年，每一步看起来都是死棋，但每一步都走出来了。

这最后一条背后有一句我很喜欢的话，大意是：“只要你能活到明天，明天可能就会带来救命的答案。“它听上去像鸡汤，但放在 Loudcloud 的语境里是字面意思：2001 年客户成批破产的时候没人知道答案是什么，公司就是靠着"再撑一个季度"一路撑到了 2002 年卖掉托管业务、撑到了软件业务自己站起来。很多答案不是想出来的，是熬出来的——但"熬"不是躺平等运气，是持续保证自己"还在牌桌上”：现金流别断、核心团队别散、产品别停。撑住牌桌这件事本身，就是一种需要全公司配合的战略。

感悟：这一条对我最大的纠偏是——别把"焦虑"当成工作的一部分产出。工程师碰到棘手的 bug，熬夜、烦躁、自我怀疑，这些都是消耗，不是进展。真正的进展只有一件事：在可选动作里挑一个，执行，看结果。挣扎是环境，行动才是工作。

书里还有一个配套观点值得放在一起记：遇到困难时，别指望银弹（silver bullet），要用铅弹（lead bullets）。 Horowitz 讲的是他做产品时的一段经历：竞争对手的产品某个关键指标大幅领先，团队里所有人都在等一个"天才解法”——一次惊艳的重构、一个颠覆性的新功能。他的结论是：这种事在公司历史上偶尔发生，但你不能把生死押在它上面。务实的做法是承认"没有一招制胜"，然后用一堆不性感的"铅弹"——修 bug、优化性能、补齐功能、改进安装流程——一发一发把差距打回来。

感悟：工程团队里"银弹思维"太常见了：系统烂了就喊着推倒重写，指标掉了就指望换框架、换语言、换架构。重写偶尔会成功，但更多时候是把已知的问题换成未知的问题。铅弹很土，但它每天都有效。

三、CEO 最难的工作：管理自己的心理

书里有句话被引用得最多：

“做 CEO 超过四年的人里，没有一个不在某个时刻觉得自己不适合这份工作。"（原文大意）

Horowitz 把 CEO 的挣扎分成两类：一类是公司层面的（钱、产品、竞争），另一类是心理层面的，而后者才是真正淘汰人的过滤器。他给的几个心理管理手段，每一条都是拿自己换过钱的教训：

① 不要把问题个人化，也不要完全不个人化——这是两种会要了命的极端。 把所有问题都归咎于自己，你会被内疚压垮；把问题都推给外部环境，你会失去行动力。正确姿势是既承认"这是我的责任”，又不把它翻译成"我是个废物"。责任是客观的，自我评价是主观的，要分开处理。

② 写下你想成为什么样的 CEO，而不是模仿别人。 书里他坦白自己天生不是"擅长公开发言的明星 CEO"，早期为此非常痛苦。后来他放弃模仿，把精力放在自己擅长的部分（产品判断、一对一沟通、做艰难决定），短板用团队补。

③ 最难的技能：在所有人都看着你的时候做孤注一掷的决定。 战争迷雾里，每个人都等着 CEO 表态，而 CEO 自己心里也没底。装出虚假的自信会害死公司（团队照着一个错误方向猛冲），展示全部的犹豫也会（团队瘫痪）。Horowitz 的做法是：对方向坚定，对细节诚实——“我们要往这个方向打，具体怎么打我也没全想清楚，需要你们帮我。”

书里还有个他给自己的"心理工具"：在最难的那段日子，他反复提醒自己"我现在不是正常的我，不要用此刻的自我评价做任何长期决定"。人在高压下的自我认知是失真的，这时候做的"我不干了"“我不适合"这类结论，和凌晨三点的悲观一样不可信。撑过去，等状态回来了再评估。

另一个反直觉的点：别惩罚带来坏消息的人。 CEO 嘴上都说"我想听真话”，但如果每次听到坏消息脸就沉下来、追问"这是谁的责任"，不出三个月，坏消息就会在你办公室门外被层层过滤。Horowitz 的要求是：坏消息要跑得比好消息更快——好消息放一晚没关系，坏消息必须立刻到他桌上。这和管理自己心理是同一件事的两面：你自己能不能承受真相，决定了组织敢不敢给你真相。

感悟：这一章我联想到的是 oncall 值班。半夜被叫起来处理 P0 故障，技术能力大家都够，真正分高下的是谁先稳住自己——先停掉手忙脚乱乱敲命令的手指，花两分钟理清"现在最严重的假设是什么、验证它最便宜的手段是什么"。管理自己的心理不是软技能，它是所有硬技能能发挥的前提条件。

四、裁员与坏消息：直说"我们搞砸了"

全书我认为实操价值最高的是裁员那一章。Horowitz 经历过两轮大裁员，他把当时几乎所有 CEO 的标准话术列出来，然后一条条拆掉：

“行业不景气，我们不得不调整”——员工会想：那为什么隔壁公司没裁？
“这是艰难的战略聚焦”——被裁的人知道这是包装，留下的人也知道，没人信。
“感谢大家的贡献”——贡献真要感谢，就不会是现在这种下场。

他的做法反常识但逻辑自洽：承认是公司管理层的失败，而不是被裁员工的失败，也不是运气不好。

原话的意思是：“我们搞砸了。公司招了太多人，押错了方向，现在不得不让这些没做错什么的同事离开，这是我们的失败，不是他们的。” 为什么必须这么说？因为裁员真正要管理的不是走的人，而是留下的人。留下的人马上会做一道算术题：“如果这是运气问题或者行业问题，那下一轮会不会轮到我？这个管理团队还值得我赌上下一年吗？“只有把责任扛到管理层自己头上，并且说清楚"以后怎么避免再犯”，留下的人才有理由继续下注。

flowchart LR
    BAD["坏消息必须传达"] --> W1["错误姿势<br/>包装话术、甩锅行业<br/>安抚式乐观"]
    BAD --> W2["正确姿势<br/>管理层认领责任<br/>讲清事实与后续计划"]
    W1 --> R1["结果<br/>留下的人失去信任<br/>开始悄悄更新简历"]
    W2 --> R2["结果<br/>留下的人虽难过<br/>但知道游戏规则没变<br/>愿意继续下注"]

书里还有几个细节我划了线：

裁员要快、要一次到位。 最伤士气的是"挤牙膏式裁员”——每季度裁一波，公司永远活在"下一波"的恐惧里。
要当着团队的面说清楚，不要躲。 CEO 在裁员当天消失，是团队信任崩塌最快的方式。
对被裁的人保持尊重（合理的补偿、帮忙找下家），这不只是良心问题——留下的人在看你怎么对待走的人，那就是他们未来待遇的预演。

同章附近还有一个更烫手的场景：解雇高管（或给联合创始人降级）。这本书最难得的地方就是这种"教科书回避的问题"它也写。Horowitz 给的步骤里我记住三点：

先复盘自己，再复盘对方。 高管失败，大概率是 CEO 先犯了错——岗位定义不清、招人标准错了、没给他配齐资源。不做这一步，你换掉这个人，下一个还会死在同一个坑里。
谈话要短、直接、不谈判。 不要铺垫半小时行业大势，也不要给"要不我们再试试"的虚假希望。Horowitz 的原则是：决定一旦做了，沟通的唯一目标是把伤害降到最低，而不是让自己好受一点。
保住对方的尊严，才能保住公司的消息面。 高管被解雇的消息怎么对内对外讲，要和对方商量好统一口径。羞辱一个离开的高管，等于告诉全公司"这就是这里的游戏规则"。

感悟：这几条翻译成工程团队的语言就是：换掉一个不称职的 Tech Lead，第一责任人是你自己（你选的人、你定的目标）；谈话别绕；对外口径留体面。顺序搞反——先怪人、再含糊其辞、最后让流言满天飞——是团队政治化的开端。

感悟：这章的道理放在工程团队一样成立。线上事故复盘会上，最差的 lead 说"是某某操作失误"，最好的 lead 说"是系统设计允许了这个失误，我们来改系统"。归因到流程和管理，团队才敢继续动 production；归因到个人，大家只会越来越不敢碰代码。

五、和平时期 CEO vs 战时 CEO

这是全书传播最广的框架，也是被误读最多的一个。先看书里的划分：

flowchart TB
    subgraph P["和平时期 CEO（Peacetime CEO）"]
        P1["关注扩张市场<br/>鼓励创新与多元化"]
        P2["授权为主<br/>给团队足够空间"]
        P3["重视文化建设<br/>冲突按流程化解"]
        P4["说话讲究分寸<br/>维护各方士气"]
    end
    subgraph W["战时 CEO（Wartime CEO）"]
        W1["只有一个目标：活下去<br/>集中所有资源"]
        W2["深度介入细节<br/>必要时绕过流程"]
        W3["容忍冲突<br/>结果优先于和谐"]
        W4["命令式沟通<br/>没时间做全员心理按摩"]
    end
    P -.->|"环境变了<br/>打法必须跟着变"| W

教科书培养的 CEO 基本都是和平时期 CEO：定愿景、搭班子、建文化、授权。但 Horowitz 的核心论点是：当公司在为生存而战的时候，这套打法不仅没用，而且有害。 战时需要的是：违背常规管理的"正确"、快速的单边决策、以及把"会不会得罪人"从决策函数里删掉。

战时决断的教科书案例：Andy Grove 砍内存业务

书里引用的最经典案例不是他自己的，是 Intel 的。1985 年，Intel 的内存（DRAM）业务被日本厂商打得节节败退，价格战已经亏到骨子里，但内存是 Intel 的起家业务，全公司上下没人敢说"我们放弃它"——那等于否定公司历史。

Andy Grove 和 Gordon Moore 有一段著名的对话（Grove 后来写进《Only the Paranoid Survive》）。Grove 问 Moore：“如果我们被董事会踢出去，换一个新 CEO 进来，你觉得他会做什么？” Moore 回答：“他会让我们退出内存业务。” Grove 说：“那为什么我们不自己走出这扇门，再走回来，自己做这件事？”

接下来就是那个载入商学院教材的决断：1985 年 Intel 砍掉内存业务，全力转向微处理器（CPU）。后面的事大家都知道了——这个被"放弃"的公司成了此后二十年半导体行业最成功的公司。

这个案例的精髓在于那个思想实验：身在局中的人被历史、情感、沉没成本绑架，做不出局外人一眼就看到的决定。战时 CEO 的核心能力，就是人为制造"局外视角"——把自己从"这家公司的历史"里摘出来，问"如果我今天第一天接手，我会怎么做"。

书外还有一个同样广为人知的战时决断可以对照着看：1997 年 Steve Jobs 回归濒临破产的 Apple，做的第一件事不是创新，而是砍——把三百多个产品线砍到只剩十个左右，在白板上画出那张著名的 2×2 矩阵（消费/专业 × 桌面/便携），矩阵之外的全部停掉。这在当时得罪了无数人（被砍项目背后的团队、粉丝、渠道），但逻辑和 Grove 砍内存一模一样：资源不够的时候，“聚焦"不是口号，是亲手杀掉那些"也还不错"的东西。 和平时期做加法，战时做减法——加法可以靠授权，减法几乎必须集权。

感悟：对照 Horowitz 自己 2002 年把 Loudcloud 主营托管业务卖给 EDS 的决定，你会发现这是同一个动作：主业是"内存业务”（有营收、有历史、有感情），软件是"微处理器"（当时没人信）。他没有清盘，而是把公司几乎拆空来赌那个局外视角下的答案。战时决断不等于瞎赌——它是在被情绪污染的判断里，硬挤出一次理性推演。

另外要提醒的是这个框架的边界：和平与战时的切换不是免费的。一个长期在和平模式下运转的组织，突然切成战时模式，会有剧烈的排异反应——习惯了授权的中层觉得被夺权，习惯了流程的员工觉得"公司乱了"，Horowitz 自己也为此付出了高管团队几乎换血的代价。所以真正难的不是"战时怎么打"，而是判断什么时候该切换、并且愿意为切换付出组织成本。切换太晚会死，切换太频繁（永远"战时状态"）团队会耗竭——这又是一道没有标准答案、只能靠 CEO 自己扛的判断题。

六、Nobody cares：把产品做好是唯一要紧的事

书里有个短到可以当桌贴的段落。Horowitz 列举公司快死时 CEO 心里的各种独白：

“媒体在唱衰我们”——Nobody cares. “我们错过了上市窗口”——Nobody cares. “竞争对手拿了天价融资”——Nobody cares. “我当初的判断错了”——Nobody cares.

没人在乎你的理由、你的委屈、你的时运不济。市场只看一件事：你的东西好不好。当一切都不顺的时候，唯一正确的动作是把全部精力收回到产品上，把它做到足够好。 抱怨、解释、找替罪羊，这些动作的产出是零。

这个观点和书里另一句被反复引用的话是同一个硬币的两面：管理好一家公司的正确顺序是"人、产品、利润"（take care of the people, the products, and the profits—in that order），但当船在沉的时候，产品就是那个洞——别的东西再好，水还是会进来。

感悟：工程师对这一条应该毫无违和感。项目延期的时候，写一万字的延期原因分析，不如把关键路径上那个模块修出来。我见过的所有"绝境翻盘"，复盘到最后都是同一个朴素剧本：停止解释，把东西做好。道理一点不新鲜，难的是在最难的时候真的只干这一件事。

再往深想一层，“Nobody cares” 其实是一剂解药，解的是"受害者叙事"。人在连续受挫时，大脑会自动编织一套"我很冤"的故事：环境不好、时机不对、队友不给力。这套故事有真实的成分，但它有一个致命副作用——它把改变现状的责任外包给了那些不在乎你的人。Horowitz 的狠话本质是逼你把视线从"谁该为现状负责"转回"我现在能控制什么"。这两件事常常是同一群人，但心态完全不同：前者是申诉，后者是行动。

我自己实践下来，“Nobody cares” 最适用的场景是做技术选型答辩和项目复盘：把 PPT 里所有解释"为什么之前没做好"的页数砍掉一半，腾出来的篇幅只写两件事——现在的情况是什么、下一步具体改什么。会议效率和别人的信任度都会肉眼可见地变好。

七、值得抄在笔记本上的摘句

这书的金句密度很高，但我不喜欢那种"金句合集"式的笔记——脱离了上下文，金句就是鸡汤。下面这几条是我划线的，附上"它在书里解决什么问题"，才算是消化过：

① “Hard things are hard because there are no easy answers."（难事之所以难，是因为没有轻松的答案。）

全书题眼。它的潜台词是：如果你的第一反应是"一定有我没找到的正确解法”，你会卡在找解法上；接受"每个选项都疼"，你才能开始比较哪个疼得值。这和工程师调线上事故一样：没有"既快又安全又完美"的修复，只有权衡。

② “Take care of the people, the products, and the profits—in that order."（按人、产品、利润的顺序来，别搞反。）

这是 Horowitz 从 Loudcloud 尸体堆里捡回来的顺序观：人是做出产品的东西，产品是产生利润的东西。顺境里三者都健康时看不出来，逆境里谁先牺牲谁后牺牲，就是一家公司的价值观。他反思自己早期最大的错误之一就是"人"这根支柱在最难的时候没扛住。

③ “Whenever a large organization attempts to do anything, it always comes down to a single person who can delay the entire project."（大意：大组织做任何事，最后总会卡在某一个能拖住全盘的人身上。）

他讲的是训练（training）为什么必须由 CEO 亲自抓——因为总能找到一个"太忙了顾不上"的高管来否决它。我给技术团队推任何新流程（code review 规范、发布检查单）时都想起这句：改革死于"某个有否决权的人不急”，所以要么给他所有权，要么绕过他。

④ “If you are going to eat shit, don’t nibble."（要吃屎就一口吞下去，别一小口一小口地啃。）

话糙理不糙，讲的是坏消息和坏决定都要一次给足。挤牙膏式的裁员、分批宣布的坏消息，每一次都重新撕裂一次信任。对应前面裁员那章的"快、一次到位”。

**⑤ 关于公司文化：**书里有段流传很广的话，大意是"文化不是墙上的标语，是你每天做的决定里体现出来的东西——公司迟到的人会不会被说、承诺没兑现会不会有后果”。对照现实，很多公司的"文化"只是招聘广告文案。

⑥ “每做一次艰难但正确的决定，你就多一分勇气；每做一次容易但错误的决定，你就多一分懦弱。”（书末大意）

这是全书收尾处的意思，也是把"决策练习册"这个比喻坐实的一句：领导力不是天赋属性，而是肌肉——每次在"容易的错误"和"艰难的正确"之间选了后者，肌肉就长一分。反过来说，每次向容易妥协，都是在为下一次更大的妥协排练。管理者的信誉和胆量，都是这样一个决定一个决定复利出来的。

这些句子单拎出来都不新鲜，新鲜的是说出它们的人真的在公司快死的时候按这些话做过决定——这是这本书和机场书店管理学的全部区别。

八、思考与感悟

这本书是"决策练习册"，不是"答案之书"。 我读第一遍的时候本能地想从每章提炼"最佳实践清单"，后来发现这正是作者反对的读法。他的原意是：这些问题你在自己的战场上迟早要遇到，到时候别指望翻书，你现在能做的是把心理肌肉练好——习惯模糊、习惯坏消息、习惯没人告诉你做得对不对。书是给未来的自己预演用的。
“大方向靠信念，小路径靠试错"是我读完最浓缩的一行笔记。 回头看 Loudcloud/Opsware 这条线：方向层面的决定（互联网基础设施有未来、软件业务值得赌、不卖就死）几乎没有数据支撑，靠的是信念和局外视角，错一步就是清盘；而路径层面的决定（产品怎么做、客户怎么谈、组织怎么调）全是快速试错、快速修正。反过来就完了——方向上朝三暮四、路径上一条道走到黑，是最常见的死法。这个分法对我自己做事也有用：先想清楚哪类决定属于"信念题”（想清楚就别轻易动摇），哪类属于"试错题"（用最小成本快速验证）。
“没有标准答案"不等于"怎么做都行”。 这是最容易读歪的地方。裁员要不要认领责任、战时该不该集权，Horowitz 其实都有强烈立场，他只是反对"不管什么情境都套同一个管理公式"。他的方法论更像是工程师的模式匹配：先判断现在是什么场景（和平还是战时），再调用对应的打法，并且接受切换的成本。 判断错了场景，用对了招式也是输。
对技术人的特别提醒：别把技术正确当成决策正确。 书里多次出现这种场景——工程上更优的方案让公司死得更快（比如为了架构优雅错过交付窗口），或者一个"技术上丢人"的决定救了公司。技术债、架构、重构，这些都重要，但它们的权重由公司的生存状态决定。战时，能上线的丑代码就是好代码。
领导力很大一部分是"坏消息吞吐量"。 读完我重新理解了什么叫"能扛事"：不是不慌，而是在坏消息密度最高的时候，还能保持信息进出通畅——坏消息敢收（不惩罚报信的人）、敢传（对团队诚实）、敢转化为动作。这个能力和技术无关，但技术 leader 越往上走，它越是主战场。
“和平/战时"框架的误读风险值得单独警惕。 这个框架火了之后，被不少管理者当成"我现在是战时 CEO，所以可以不讲理"的许可证。但书里的战时模式有两个前提被选择性忽略了：一是战时状态应该有明确终点——长期以"战时"为名行专断之实，团队会用脚投票；二是战时决断的对象是事，不是人——Horowitz 在最狠的裁员里都坚持对人的尊重。拿掉这两条，“战时 CEO"就只是"暴躁老板"的好听说法。判断一个自称战时的 leader 是不是在滥用框架，看他对失败的人是归因到系统还是归因到人，基本就能分辨。
这本书对工程师的隐藏价值：看懂老板在干什么。 不是每个人都想当 CEO，但每个工程师都被 CEO 的决定影响着。读完这本书，很多以前觉得"老板是不是疯了"的操作变得可理解了：为什么突然收缩战线、为什么调整时话说得那么直、为什么有时候授权有时候又管到细节。看懂决策背后的场景判断，你至少能知道该恐慌还是该下注——这在裁员潮里是很实际的信息优势。

本篇小结

The Struggle 是默认环境：挣扎不是系统故障，是这份工作本身；应对方式不是消除它，而是停止把它个人化，聚焦"下一步能做什么”。
CEO 最难管理的是自己：责任要认领，自我价值要剥离；对方向坚定，对细节诚实。
裁员和坏消息要直说：“我们搞砸了"比任何包装话术都更能保住留下的团队；裁一次到位，对走的人保持尊重。
和平时期 CEO 和战时 CEO 是两种职业：场景变了打法必须跟着变；Andy Grove 1985 年砍内存业务转 CPU，靠"换个 CEO 会怎么做"的局外视角完成决断，是战时决断的范本。
Nobody cares：没人在乎你的理由，把产品做好是唯一要紧的事。
收束成一句：大方向靠信念（战时决断，想清楚就扛住），小路径靠试错（快速验证，快速修正）。方向上动摇、路径上固执，是这本书所有失败案例的共同配方。

最后说一句读法上的建议：这本书适合放在手边重读，而不是读完归档。它的很多章节——裁员、解雇高管、战时决策——在没遇到事的时候读只是"有道理”，真遇到事的那天再翻开，才会发现自己需要的不是新知识，而是有人告诉你"你现在的感觉是正常的，前面有人这么走过来了”。

《四步创业法》笔记：先验证，再烧钱

Fri, 08 Sep 2023 10:40:00 +0800

《四步创业法》笔记：先验证，再烧钱

Steve Blank 的《The Four Steps to the Epiphany》（中译《四步创业法》，2003 年初版）是硅谷创业方法论的一块地基。Eric Ries 是 Blank 的学生，《精益创业》（The Lean Startup）里那套"构建-测量-学习"，源头就在这本书的客户开发（Customer Development）框架里。

但这两本书的气质很不一样。《精益创业》像一本写给大众的方法论普及读物，而《四步创业法》更像一份带验收标准的工程文档：四步流程，每一步有明确的检查点，过不了关就得回退重做，不许跳关。Blank 自己创过八次业，书里的每一条规则背后几乎都有一个他自己交过学费的故事。

这篇笔记只提炼我认为最有杀伤力的四块内容：核心命题、四步流程、客户访谈铁律、正反两个案例。写给工程师同行看的，所以口吻会比较像"系统设计评审"。

一、核心命题：初创公司不是大公司的缩小版

全书第一页就扔出来的观点，也是理解后面一切的前提：

A startup is not a smaller version of a large company.

大公司做的事是执行一个已知的商业模式：客户是谁、要什么、怎么触达、卖多少钱，都是已知的，所以可以用成熟的那套管理体系——年度计划、KPI、按职能分工、按里程碑考核。

而初创公司面对的全是未知数。Blank 的原话大意为：一家初创公司是一个临时性组织，其使命是寻找一个可重复、可扩展的商业模式。注意"寻找"这个词——在商业模式被验证之前，你在公司里做的一切"执行"都是在拿不确定的假设当事实烧钱。

flowchart LR
    subgraph 大公司["大公司：执行已知模式"]
        A1["商业模式已知<br/>客户/需求/渠道明确"] --> A2["按计划执行<br/>年度预算 / KPI / 里程碑"]
        A2 --> A3["结果可预测<br/>偏差是执行问题"]
    end
    subgraph 初创公司["初创公司：寻找未知模式"]
        B1["全是假设<br/>客户是谁？痛点真不真？<br/>愿意付钱吗？"] --> B2["跑出去验证假设<br/>客户探索 / 客户验证"]
        B2 --> B3{"找到可重复<br/>可扩展的模式？"}
        B3 -- "否" --> B2
        B3 -- "是" --> B4["转型为执行型公司"]
    end

这个命题的工程类比很直接：你不会在需求文档还没写、接口还没定的时候就招 50 个人开干；但无数创业公司恰恰就是这么做的——产品还没人验证过，先把销售团队、市场预算、办公室全都配齐。Webvan（后面详述）就是这么死的。

感悟：做技术的人最容易犯的书里点名的错误，是把"产品能不能做出来"当成主要风险。实际上大多数创业项目里，技术风险远小于市场风险——“能不能做出来"通常有答案，“做出来有没有人买"才是真正的未知数。把资源配比搞反了，再强的工程能力也救不回来。

二、客户开发四步：前两步省钱，后两步烧钱

Blank 提出的客户开发模型（Customer Development）与传统的"产品开发模型”（idea → 开发 → 内测 → 发布 → 大卖）并行，专治后者"发布即巅峰，然后发现没人要"的通病。

先把两种模型的世界观摆在一起对比，差异一目了然：

维度	传统产品开发模型	客户开发模型
默认假设	商业计划书写的就是对的	计划书里关于客户的一切都是猜测
核心动作	埋头开发，憋大招发布	走出办公室，验证假设
谁在早期冲锋	工程师（把产品做出来）	创始人（把客户搞清楚）
钱花在哪	发布前的开发 + 发布后的市场轰炸	前两步几乎不花钱，验证后集中烧钱
发布日意味着什么	终点：大功告成	中点：假设开始接受检验
失败模式	发布后发现没人要，弹尽粮绝	早期花小钱发现没人要，回退调整

传统模型的经典剧本你一定见过：拿到投资 → 定一个 12 个月后的发布日期 → 全部资源按这个日期倒排 → 发布当天开香槟 → 三个月后销售数字难看 → “是市场部门不给力” → 换销售 VP → 还是不行 → 没钱了。这个剧本的 bug 在于：从产品立项到发布，全程没有一个环节问过客户。

客户开发模型就是给这个 bug 打的补丁。四步是：

flowchart LR
    S1["① 客户探索<br/>Customer Discovery<br/><br/>验证问题：痛点存在吗？<br/>我们的方案解得对吗？<br/>成本：极低，PPT 和原型就够"]
    S2["② 客户验证<br/>Customer Validation<br/><br/>验证交易：真的有人付钱吗？<br/>销售流程可重复吗？<br/>成本：低，创始人亲自卖"]
    S3["③ 客户创造<br/>Customer Creation<br/><br/>制造需求：市场教育<br/>品牌、渠道、放量获客<br/>成本：高，开始烧钱"]
    S4["④ 公司建设<br/>Company Building<br/><br/>组织升级：从游击队到正规军<br/>建部门、定流程、规模化<br/>成本：高，全面扩张"]

    S1 --> CP1{"检查点 1<br/>找到可验证的<br/>问题-方案匹配？"}
    CP1 -- "不过关 → 回退" --> S1
    CP1 -- "过关" --> S2
    S2 --> CP2{"检查点 2<br/>拿到真实订单？<br/>销售路径可重复？"}
    CP2 -- "不过关 → 回退" --> S1
    CP2 -- "过关" --> S3
    S3 --> CP3{"检查点 3<br/>需求被验证可放量？"}
    CP3 -- "不过关 → 收缩回炉" --> S2
    CP3 -- "过关" --> S4

这张图里有几个关键点值得掰开说：

2.1 前两步的核心任务是"证伪”，不是"证明"

客户探索阶段，创始人要走出办公室（Get Out of the Building），拿着假设去找几十上百个潜在客户聊。目标不是听到"你这个想法真棒"，而是尽可能快地发现自己的假设错在哪。Blank 的态度近乎残忍：在产品发布前，你的商业计划书上关于客户的一切内容都只是猜测，创始团队唯一该做的事就是把这些猜测一条条拎出来验证。

客户验证阶段更进一步：光说"我喜欢"不算数，得有真实的购买行为。有没有人愿意付钱、付款流程跑不跑得通、第一单的销售周期多长、能否复制出第二单第三单——这些构成了"可重复的销售路线图"。

2.2 前两步要抠门，后两步才配烧钱

书里反复强调一条纪律：在客户验证通过之前，花大钱是犯罪。因为此时你根本不知道自己要放大的是什么——把一个错误的模式放大十倍，只会死得十倍壮观。反过来，一旦前两步跑通，后两步（客户创造、公司建设）就要敢于重投入，因为这时候烧钱烧的是"已验证的公式"。

这个"先省后烧"的节奏，和很多人理解的融资节奏正好相反：刚拿到钱时最该克制，验证闭环后才该激进。

2.3 回退不是失败，是流程的一部分

注意图里的回退箭头——这是《四步创业法》比后来的很多简化版方法论更"硬核"的地方。每个检查点都是硬闸门：验证不过关，就退回去调整假设重新探索，不允许带着未验证的假设进入下一阶段。Webvan 式的死法，本质就是跳过了检查点 1 和 2，直接按第 3、4 步的规模花钱。

2.4 检查点到底查什么：一张验收清单

“检查点"如果停留在口号层面就毫无约束力。把每一步的过关标准落成可核对的问题清单，它才真正变成闸门：

检查点 1（客户探索 → 客户验证）

问题确认：访谈的几十个人里，是否有足够多的人承认这个痛点真实存在且重要？（不是"有点意思”，是"这确实烦到我/花我钱了"）
方案确认：听完你的方案描述后，客户的眼神是亮了还是礼貌性点头？有没有人追问"什么时候能买到"？
产品定义收敛：最小产品功能集是否已经收敛到一个可以拿去卖钱的版本，而不是越聊越大？

检查点 2（客户验证 → 客户创造）

真实订单：有没有不是看创始人面子下的订单？（熟人单、友情单要打折甚至剔除）
可重复性：第二单、第三单的销售路径和第一单是否相似？如果每单都是创始人刷脸+定制化，那是咨询不是产品；
经济性可算：获客成本、销售周期、毛利，能不能算出一个"投入一块钱回来不止一块"的初步公式？

检查点 3（客户创造 → 公司建设）

放量有效：市场投入加大后，获客成本是否仍然可控，还是一边际就崩？
组织就绪：团队能否从"什么都能干"的游击队，切换成有分工有流程的正规军而不崩盘？

你会发现这张清单的每一个问题都是可以回答"是/否"的——这正是它和"我们感觉进展不错"的区别。

感悟：这个流程对工程师来说应该特别眼熟——它就是软件工程里的"阶段门"（stage-gate）和"快速失败"（fail fast）思想在商业侧的对应物。我们没有理由在写代码时信奉持续集成、小步验证，到了判断"要不要做这件事"时却改用信仰驱动。

三、客户访谈铁律：只问过去行为，不问未来承诺

这是全书里我认为实操价值最高的一节。客户探索阶段的核心动作是访谈，而访谈有一个巨大的陷阱：如果你问客户"你会不会买"，你几乎一定会得到误导性的答案。

原因是双重的：

客户出于礼貌或者对你的好感，倾向于给出鼓励性回答（尤其在熟人访谈里）；
人在假设性问题上的自我预测能力极差——“你会为了省一小时每月付 50 块吗”，答"会"的人里真掏钱的寥寥无几。

所以 Blank 的铁律是：问过去的行为和既成事实，不问未来的意愿和假设的承诺。

flowchart TB
    subgraph WRONG["❌ 错误问法：问未来承诺"]
        W1["'如果我做出这个功能<br/>你会用吗？'"]
        W2["'这样的产品<br/>你愿意付多少钱？'"]
        W3["'你会推荐给你的<br/>同事/朋友吗？'"]
    end
    subgraph RIGHT["✅ 正确问法：问过去行为"]
        R1["'你现在是怎么解决<br/>这个问题的？详细说说。'"]
        R2["'上次这个问题让你<br/>多花了多少时间/钱？'"]
        R3["'你为解决这个问题<br/>已经试过什么？花了多少预算？'"]
    end
    WRONG --> HARM["得到的全是礼貌性肯定<br/>和拍脑袋的数字<br/>→ 虚假的市场信心"]
    RIGHT --> GOLD["得到的是事实、数字<br/>和现有替代方案<br/>→ 可以证伪的证据"]

几条我实践下来觉得最管用的推论：

“你现在怎么解决"是金矿问题。 如果客户现在对这个问题根本没有解法、也懒得找解法，那"痛点"多半没你以为的那么痛。真正痛的问题，客户往往已经在用 Excel、人工、土办法凑合解决——这些临时方案就是你要替代的对象，也是最好的需求说明书。
问到具体数字为止。 “挺浪费时间的"是观点，“每周三个人天"是事实。访谈要追到最后那个数字，数字才有决策价值。
警惕"功能许愿单”。 客户说"如果加上 XX 我就买”，多数情况下加了也不会买。要追问的是"没有 XX 让你损失了什么”，损失越具体越真实。
承诺要用成本来检验。 口头说好不算数，愿意试用、愿意引荐决策人、愿意预付定金、愿意签意向书——让客户付出哪怕一点点真实成本，信号强度立刻真实一个数量级。

访谈执行层面还有三个实操细节，都是容易踩的坑：

坑 1：访谈熟人。 第一批访谈对象最容易找的是朋友、前同事、行业熟人——但他们恰恰是信号最差的受访者：碍于情面不愿意泼冷水，又因为了解你而过度脑补你的方案。熟人访谈可以用来打磨访谈提纲，但其结论不该计入验证证据。真正有价值的访谈发生在"和你没有私交、对你的成败无所谓"的陌生人身上。

坑 2：演示欲太强。 访谈进行到第五分钟，你就忍不住打开电脑开始讲产品——从这一刻起访谈就死了，剩下的全是客户对你演讲的社交性回应。正确顺序是：先用 80% 的时间挖对方的现状和行为史，最后留一小段再谈方案，并且把方案描述成"我们在琢磨的一个东西"而不是"我们牛逼的产品"。姿态越低，真话越多。

坑 3：一个人访谈一个人记。 访谈现场的信息密度极高，语气、迟疑、眼睛亮起来的瞬间，速记根本记不全。理想配置是两个人：一个人负责聊，另一个人负责记，事后立刻对笔记。Blank 甚至建议团队集体复盘每一场访谈，因为同一句"挺好的"，创始人听的是希望，旁观者听的是敷衍。

踩坑类比：这跟技术面试里"行为面试法"（讲一个你做过的项目）碾压"假设性问题"（如果是你会怎么做）是同一个原理——过去的行为是未来行为最好的预测器，假设性回答基本等于噪音。

四、反面教材：Webvan，用 8 亿美元验证了一个没验证过的假设

书里没把 Webvan 当成重点案例写（书出版时它刚死），但它是"跳过检查点直接烧钱"最完美的标本，值得每一个读过这本书的人记住。

Webvan 是 1999 年前后最风光的电商明星：做生鲜杂货网上配送，理念放到今天都不过时（你可以把它理解成早了十五年的每日优鲜/Instacart）。它的问题不在想法，而在节奏：

商业模式从未在小规模上验证过——客单价、配送密度、履约成本、复购率这些决定生死的数字，全都停留在商业计划书里；
团队直接按"模式已成立"的剧本行动：融资数亿美元，开建覆盖全美的自动化仓储体系，单个仓库造价数千万美元，还签下十几亿美元的建设合同；
仓储是重资产、强固定成本结构，只有订单密度足够高才摊得薄。而真实情况是订单密度远低于预期——仓库建得越先进，闲置得越壮观，每天开门就是巨额亏损；
2001 年 7 月，Webvan 申请破产保护，前后烧掉超过 8 亿美元，成为互联网泡沫破灭时最昂贵的尸体之一。

用客户开发的视角复盘，Webvan 的死法一目了然：它把第③步（客户创造）和第④步（公司建设）的动作，在第①②步还完全没有通过检查点的时候，就以全美规模执行了。假设没被验证，执行得越完美、越坚决，死得越快越贵。

对照组：二十多年后，生鲜前置仓模式在订单密度足够高的城市被部分验证成立——这说明 Webvan 的"想法"未必全错，它错的是在错误的密度上、用错误的资本结构、抢跑了十几年。商业模式的验证里，时机和单位经济模型（unit economics）和方向一样重要，而这恰恰是只有小步试错才能探出来的东西。

五、正面教材：E.piphany，拎着原型上门，改完定位再上市

E.piphany 是 Blank 自己创办的第八家公司（1996 年创立，企业级软件），书里用大量篇幅复盘了它早期的客户开发过程，可以说是全书方法论的原型案例。

故事的关键转折：Blank 团队最初对产品定位有一套自己的假设（面向某类企业用户的分析工具），他们没有关起门来把产品做"完整"再亮相，而是拎着还很粗糙的原型，直接坐到潜在客户的办公室里演示、听反馈。

这一圈跑下来，团队发现了一个他们完全没预料到的事实：客户最兴奋的、最愿意掏钱的功能点，和团队自认为的"核心价值"不是一回事。客户的需求、预算归属、采购链条，都在访谈中露出了和商业计划书里不一样的真面目。

于是 E.piphany 修正了产品定位和价值主张——瞄准客户真实承认的那个痛点，而不是创始人想象中的那个。修正后的定位被市场接住，公司于 1999 年在纳斯达克上市。

这个故事里最值得工程师细品的，是"原型"的定位：原型的价值不是展示你做得多好，而是给客户一个可以批评的靶子。 空手去访谈，客户只能凭想象回答，回到第三节的陷阱；带着粗糙的原型去，客户会指着具体的东西说"这个没用"“我要的是那个”——这些才是能证伪假设的证据。Blank 管这个过程叫"现实扭曲力场的解毒剂"：创始人都活在自己的愿景里，只有客户基于真实使用场景的冷水能解毒。

六、与《精益创业》的关系：老师比学生更"硬核"

两本书的关系一句话能说清：Eric Ries 在斯坦福旁听了 Blank 的客户开发课程，后来 Blank 还投资了他的公司 IMVU 并亲自盯这套方法的执行。《精益创业》的"构建-测量-学习"循环、MVP、转型（pivot），都能追溯到《四步创业法》。

但读法上我推荐两本都读，而且先读这本：

《精益创业》告诉你要快——快速构建、快速测量、快速学习，小步快跑；
《四步创业法》告诉你跑到哪算一站——检查点不通过就不许进入下一阶段，“快"必须受闸门约束。

更细一点的对比：

维度	《四步创业法》(2003)	《精益创业》(2011)
核心隐喻	流程与闸门：四步 + 检查点	循环与反馈：构建-测量-学习
重心	阶段纪律：什么时候不许干什么	迭代速度：怎么转得更快
关键概念	客户开发、检查点、回退	MVP、pivot、验证式学习
适用气质	像工程评审流程，硬核、可核对	像开发方法论，轻量、易上手
共同的坑	被当成"走流程"而跳过实质验证	被当成"试错免责"而放弃纪律

只读《精益创业》的团队容易得一种病：把"快速迭代"当成不验证就扩张的遮羞布——反正我们在迭代嘛。Blank 的框架对这种自欺没有容忍度：检查点的定义是白纸黑字的（有没有真实订单？销售路径可不可重复？），过关就是过关，没过关就回退，没有"我们正在 pivot 的路上"这种模糊地带。

感悟：把它映射到工程语境就是——MVP 是手段不是目的，目的是拿到那张"检查点通行证”。一个团队如果连"本轮迭代要验证哪个假设、验证标准是什么"都答不上来，那它做的不是精益创业，是精益许愿。

七、思考与感悟

“找模式"和"执行模式"需要完全不同的能力组合，甚至不同的组织形态。 探索期需要的创始人是侦探：低 ego、能忍受否定、善于从只言片语里拼真相；扩张期需要的管理者是指挥官：定目标、建体系、规模化复制。Blank 在第四步专门讨论了这种转型之痛——很多公司死在第二步到第三步之间，不是模式没验证，是组织没跟着切换。这对技术团队选搭档、看创业机会都是很好的评估框架。
检查点思维可以下放到一切不确定性高的工作。 我读完之后把这套"假设 → 验证 → 不过关就回退"的循环用到了技术选型上：新框架引入前先定义"什么指标算验证通过”（性能提升多少？开发体验改善如何量化？），跑 spike 验证，不达标就体面撤退。这比"先用起来再说，不行再换"省下的沉没成本是实打实的。
客户访谈是一门反直觉的手艺，工程师尤其需要补课。 我们的职业习惯是"给方案"，客户刚说半句痛点，脑子里架构图都画好了。访谈恰恰要求把方案摁住，专注挖对方的行为史。这需要刻意练习，但它的回报率极高——无论是创业、做内部工具还是接需求，“用户真正的问题是什么"永远是最值得先验证的假设。
节奏感比正确性稀缺。 Webvan 的方向二十年后被证明部分成立，E.piphany 的原型粗糙得不好意思见人——胜负手不在谁的起点更正确，而在谁把"验证"和"投入"的顺序摆对了。先验证，再烧钱；先小人后君子；先证伪，后放大。这大概是全书最值得抄在墙上的九个字：先验证，再烧钱；不过关，就回退。

本篇小结

初创公司的本质是"寻找可重复、可扩展商业模式的临时组织”，不是大公司的缩小版——用执行体系管理探索期，是多数创业死亡的总根源。
客户开发四步：客户探索（验证问题-方案匹配）→ 客户验证（验证真实交易、可重复销售路径）→ 客户创造（放量获客）→ 公司建设（组织规模化）。前两步要省，后两步才配烧；每步有检查点，不过关必须回退。
客户访谈铁律：只问过去行为，不问未来承诺。“你现在怎么解决的"比"你会不会买"值钱一万倍；口头好评是噪音，付了成本（时间、引荐、定金）的信号才是证据。
两个案例对照：Webvan 未验证商业模式就按全美规模建仓，2001 年破产烧掉超 8 亿美元；E.piphany 拎着粗糙原型上门挨骂，修正定位后 1999 年上市。
它是《精益创业》的源头，且更硬核：MVP 和迭代必须有检查点约束，否则"快速迭代"会退化成"快速许愿”。

《精益创业》全书导读：把创业从赌博改造成一门可测量的科学

Sat, 08 Jul 2023 10:40:00 +0800

《精益创业》全书导读：把创业从赌博改造成一门可测量的科学

参考书籍：Eric Ries《精益创业：新创企业的成长思维》（The Lean Startup，Crown Business 2011，中信出版社 2012 年中文版，吴彤译）。目标读者：没读过这本书、想快速了解它讲了什么的程序员和创业者；也适合读完了但只记得"MVP"三个字母的人回来校准。阅读目标：用一篇文章讲清楚全书的方法论主干——反馈环、假设、核算、引擎、组织，以及怎么把它编译成工程师的日常动作。

这本书是什么

作者 Eric Ries 是 IMVU 的联合创始人兼 CTO。IMVU 做的是一个 3D 虚拟形象的即时通讯产品，公司后来活下来了，但这本书几乎全部的方法论，都是从它早期差点死掉的经历里提炼出来的。

书中大意：IMVU 团队花了大半年时间，按"完备产品"的思路开发——支持多家主流 IM 网络的互通、精美的 3D 形象系统，发布前没有人试用过产品。结果上线后几乎没人下载。后来逐个请用户进办公室做访谈才发现：用户根本不愿意为了一个新软件去说服所有朋友搬家，而一个身边没人用的 IM，体验再好也没有价值。半年时间烧在了一个从未被验证的假设上。Ries 后来说，哪怕先做一个最简单的落地页测试下载意愿，也能更早知道这个答案——这就是全书的起点：他所有的方法，都是在回答一个问题——怎么避免把生命浪费在构建没人要的东西上。

Ries 对"创业"（startup）的定义是全书的基石，书中大意是：创业公司是一个机构，它在极端不确定性的条件下，开发新产品或服务。注意这个定义里没有"新成立"“小规模"“科技公司”——它只要求两件事：产品是新的，环境是极度不确定的。一家大公司内部的新业务线，只要符合这两条，也是创业公司，也适用这套方法。

作者的履历也决定了这本书的视角：Ries 毕业于耶鲁，在 IMVU 之前待过一家做虚拟世界的创业公司（There.com），亲历了"宏大规划 + 漫长开发 + 失败收场"的完整剧本；IMVU 之后他以博客 “Startup Lessons Learned” 总结方法论，并为一批创业公司做顾问，这套方法正是在多家公司身上反复试错后收敛出来的。所以这本书不是成功学回忆录，而更接近一份事故分析报告：每一章背后几乎都能对应一次他烧过钱的错误。

方法论的名字来自"精益生产”：Ries 明确把思想源头指向丰田生产方式（Toyota Production System）及 Womack 等人的研究。丰田的精益是在确定的工厂里消灭浪费；Ries 把它移植到极度不确定的创业环境里，要消灭的浪费变成了同一种东西——被构建出来却不产生认知的一切工作。他的导师 Steve Blank（IMVU 的投资人之一）的"客户开发"方法论，则提供了另一半：认知只能从办公室外面的真实客户那里来。

全书骨架：

flowchart TD
    A["精益创业<br/>The Lean Startup"] --> P1["第一幕 愿景<br/>创业=管理·经证实的认知"]
    A --> P2["第二幕 驾驭<br/>Build-Measure-Learn 反馈环"]
    A --> P3["第三幕 加速<br/>增长引擎·自适应组织"]
    P2 --> M1["MVP：最小实验"]
    P2 --> M2["核算：创新核算"]
    P2 --> M3["决策：转型还是坚持"]
    P3 --> G1["小批量工作"]
    P3 --> G2["三个增长引擎"]
    P3 --> G3["五个为什么"]

下面按这个骨架展开。我会刻意保留书里的英文术语——MVP、pivot、validated learning——因为这些词在中文语境里已经被稀释了，回原文才拿得回原本的意思。

第一幕：愿景——创业是一门管理

全书第一幕只做一件事：给"创业"祛魅，然后立规矩。

Ries 反对两种极端叙事。一种是"天才叙事"：成功创业者被写成有先见之明的英雄，失败只是运气不好；另一种是"做就是了"：既然计划没用，那就别管了，埋头干。他指出两者共同的问题：都把创业当成不可管理的东西。

他的立场恰恰相反：创业公司需要的是一种新形态的管理。传统管理的前提是市场稳定、需求已知，所以核心动作是"定计划、执行、考核"。创业环境的前提是不确定性，没人知道客户是谁、要什么，所以核心动作必须换成"提假设、做实验、学认知"。管理没有消失，管理的目标函数变了。

这个新目标函数叫 validated learning（经证实的认知）。书中大意：经证实的认知，是通过实验数据验证过的、关于客户真实行为的认知——不是"我们认为客户会喜欢"，而是"实验显示该改动让同期群留存提升了 X%"。它是创业的计量单位：衡量一家创业公司进展的，不是产出了多少功能、写了多少代码，而是积累了多少经证实的认知。

这一点对工程师尤其重要。我们的默认绩效观是"产出"：上线了几个需求、修了几个 bug。Ries 说你产出的代码可能只是"有生产力的浪费"——一个功能开发得再高效、质量再高，如果它验证的假设本身就是错的，那全部工作都是浪费。创业里最贵的不是写得慢，是写错了方向还不知道。

第二幕：驾驭——Build-Measure-Learn 反馈环

这是全书的发动机，几乎所有其他概念都挂在它上面：

flowchart TD
    I["想法<br/>Ideas"] --> B["构建<br/>Build"] --> C["产品<br/>Product"]
    C --> M["测量<br/>Measure"] --> D["数据<br/>Data"]
    D --> L["学习<br/>Learn"] --> I
    L -.->|"两大假设<br/>价值假设 / 增长假设"| I

三个要点，每一条都反直觉：

1. 环的目标是 Learn，不是 Build。 环转一圈的产出不是"一个功能"，而是"一份经证实的认知"。判断环转得好不好的唯一指标是环的转速——从提出假设到拿到数据，用了几天还是几个月？创业公司的生死，大致等于"现金烧完之前能转多少圈"。

2. 执行的顺序是倒过来的。 虽然画成 Build → Measure → Learn，实际规划时要从后往前：先确定要学什么（Learn）→ 再定要测什么指标才能学到它（Measure）→ 最后才是构建什么能测出这个指标（Build）。这个顺序就是后面 MVP 节的全部逻辑。

3. 学的东西有真假之分。 真货是 validated learning，假货是 vanity metrics（虚荣指标）——那些"看起来永远在涨、但不能指导任何行动"的数字。书中点名的典型是注册总用户数：它单调递增，永远给人安慰，但把留存一摊平按同期群看，可能每月来的新用户都在流失，曲线"增长"只是因为基数在累积。虚荣指标的对立面是 actionable metrics（可执行指标），判断标准很直接：这个数字的变化，能不能让我改变下一步行动？ 不能，就是虚荣指标。

把反馈环和传统开发方式放在一起对照，差异一目了然：

flowchart LR
    subgraph 传统模式["传统模式：先计划后执行"]
        W1["市场调研"] --> W2["写商业计划"] --> W3["闷头开发数月"] --> W4["一次性发布"] --> W5{"成败<br/>见分晓"}
    end
    subgraph 精益模式["精益模式：先假设后实验"]
        L1["提出假设"] --> L2["最小实验 MVP"] --> L3["可执行指标"] --> L4["认知 / 转型"] -.-> L1
    end

传统模式的致命伤在于反馈只在终点出现一次——发布前所有的"进展"都是计划完成度，不是市场真相；精益模式把反馈切成很多次，每次都很小，但每次都来自真实用户。前者像在黑暗中一次性打完所有子弹，后者每打一枪就校一次准。

MVP：针对最大风险假设的最小实验

全书被误解最深的概念。市面上流传的 MVP = “先做个简陋版产品上线再说”——这几乎是对 Ries 原意的颠倒。

书中大意：MVP 是这样一个版本的产品，它能让创业者以最小的付出，完成一次完整的 Build-Measure-Learn 循环。 关键词是"学习"：MVP 的存在意义是验证当前风险最大的那个假设，不是为了"先上线"。如果一个简陋产品测不出任何假设，那它不是 MVP，只是一个烂产品。

书中三个案例把这件事讲得很清楚：

案例一：Dropbox 的视频 MVP。 Dropbox 的风险假设不是"能不能做出来"，而是"人们是否真的想要文件跨设备无缝同步"。做一个完整产品的成本极高（要在所有主流平台上做到稳定同步），于是创始人 Drew Houston 拍了一支几分钟的演示视频，针对早期极客受众投放。视频放出去后，注册等候名单一夜之间从几千涨到数万（书中大意如此）。他用零产品验证了最大的风险假设——需求存在。

案例二：Zappos 的手动买鞋。 Zappos 的风险假设是"消费者愿意在网上买鞋吗"——在当年这是个真问题。创始人 Nick Swinmurn 没有建仓库、没有搭供应链，他去本地鞋店拍下鞋子的照片挂到网站上；有人下单，他就去店里原价买下、寄给客户。前台看起来是个电商网站，后台全是人肉——后来这类做法被叫作"绿野仙踪式 MVP"（Wizard of Oz，幕布后有人假装机器存在）。一单亏一点钱，买到的却是整条供应链值不值得建的答案。

案例三：IMVU 的反面教材。 就是开头那个故事：按完备产品思路开发半年，支持多 IM 网络互通，结果没人下载。Ries 的复盘很扎心：事后证明他们最担心的技术难题（互通）用户根本不在乎，而真正的死穴（网络效应冷启动）他们测都没测。完备产品的思路让他们精确地建造了一个错误的东西——这是比"做得烂"贵得多的失败。

三个案例合起来是一条公式：先问"我此刻最不确定的是什么"，再问"验证它最少需要构建什么"。 后者才是 MVP。《奔跑吧，程序员》里把这个循环画成"找出最大风险假设 → 表述为可测试假设 → 构建最小实验 → 分析结果"，并整理了五种 MVP 类型（落地页、视频、众筹、绿野仙踪、拼凑式），案例和本书互补，可以对照着读（奔跑吧，程序员笔记）。

还有一个常见顾虑值得正面回答：“MVP 会不会因为质量太差把用户吓跑？“Ries 的回答分两层。第一，MVP 的目标用户不是大众，而是早期尝鲜者（early adopters）——这帮人愿意为"新"容忍粗糙，他们买的就是参与感；初代 iPhone 没有复制粘贴照样排队。第二，“最小"不等于"敷衍”：凡是直接面向用户、影响假设测量的环节（比如那支 Dropbox 视频本身），必须做到位；可以砍的是与当前假设无关的一切功能。判断标准始终只有一个：砍掉它，会不会让我学不到我要学的东西？ 不会，就砍。

两大假设与 pivot：转型不是失败

反馈环里学的，到底是关于什么的认知？Ries 的答案是：每个创业计划都立基于一堆假设，其中有两个是生死攸关的：

flowchart LR
    H["创业计划"] --> V["价值假设<br/>Value Hypothesis"]
    H --> G["增长假设<br/>Growth Hypothesis"]
    V --> V1["产品交付了价值吗<br/>指标：留存、复购、付费"]
    G --> G1["产品能持续增长吗<br/>指标：获客速率、病毒系数"]

价值假设：产品是否真的为用户创造了价值？早期最好的度量不是问用户"你喜欢吗”，而是看行为：留存、复购、付费——用户用时间和钱包投的票才是票。
增长假设：新用户将以什么机制持续到来？靠什么从早期尝鲜者扩散到大众市场？

两大假设被验证，就继续；被证伪或者数据长期不动，就面临全书最著名的决策点：pivot（转型）还是 persevere（坚持）。

Ries 对 pivot 的定义很克制，书中大意：转型是在保持一部分已验证认知不变的前提下，对战略做一次结构性的改变，以测试新的根本性假设。 它不是"换个方向重来”——产品愿景、团队、已验证的认知都保留；它也不是失败——失败是"错到没法继续"，而 pivot 是"学到了认知，据此调整假设"。书中给了若干转型类型（如放大转型、客户细分市场转型等），共同点是：每次转型都是从旧假设圈跳到新假设圈，环本身不停。

Ries 甚至提出一个很硬核的组织建议：把"pivot or persevere"做成定期会议。因为转型的信号从来不会自己变成红色大字报，它只会表现为一组缓慢变平的曲线；不定个会，团队就会在"再调调试试"里把现金耗完。转型频率本身就是一家创业公司的健康指标——离钱烧完还剩几次转型的机会，就是这家公司的真实 runway。

书里有两个转型实例可以感受一下"结构化改变"长什么样。一个是 Wealthfront：前身 kaChing 做的是面向业余投资者的游戏化选股社区，运营中发现真正的机会不在"游戏"而在它背后连接用户与专业理财经理的能力，于是转型为在线财富管理服务——保留的是已验证的产品与数据，换掉的是对"客户是谁、价值是什么"的假设。另一个是 Votizen：一个把社交网络用于公民政治参与的产品，几轮数据都显示 C 端增长假设不成立，团队连续做了多次转型，最终转向为政治组织提供 B 端工具——愿景（让公民参与更高效）没变，假设换了好几轮。这两个例子的共同结构：愿景是北极星，战略是围着星星转的轨道，产品则是轨道上可替换的载荷。

最后纠正一个普遍误解：转型次数多不是团队无能，恰恰相反——Ries 说（大意），转型需要勇气，而 runway 应该用"还能转型几次"而不是"还能活几个月"来度量。因为每次转型都意味着环又转完一圈、又排除了一条错误路径，剩下的现金能支撑更多次转型，公司就还有更多次命中正确答案的机会。

创新核算：三步让"进展"变得可问责

上一节说了转型的信号是"曲线变平"，那曲线从哪来？答案是全书中段最被低估的部分：innovation accounting（创新核算）。Ries 承认它是全书最难的一章，也是"精益创业"区别于"凭感觉创业"的关键。

创新核算的标准流程是三步：

flowchart LR
    A["第一步 建立基线<br/>用 MVP 测出当前真实数据"] --> B["第二步 调优引擎<br/>一次只改一个变量<br/>把数字从基线推向理想值"]
    B --> C{"数字持续<br/>向理想值移动？"}
    C -->|"是"| D["Persevere<br/>坚持，继续调优"]
    C -->|"否，长期不动"| E["Pivot<br/>转型，换假设"]
    D -.->|"进入下一轮"| A
    E -.->|"重新建立基线"| A

第一步，建立基线：用一个 MVP 测出当前的真实数字——转化率多少、留存多少、付费意愿多少。注意基线的目的是"诚实"，不是"好看"：它就是用来告诉你离理想值有多远的。
第二步，调优引擎：产品每一次改进，目标都是把某个引擎指标从基线向理想值推一点。这里有一条纪律：一次只改一个变量，否则数据动了你也不知道是哪个改动起作用。这也是 A/B 测试被反复强调的原因。
第三步，转型还是坚持：如果所有微调的累积效果都让数字向理想值移动，就坚持；如果怎么调都在原地，说明引擎本身的设计有问题——这就是转型的信号。

创新核算的敌人就是前文说的虚荣指标。书中的对比非常直白：注册总用户数是虚荣指标，同期群留存率是可执行指标。前者单调上涨、掩盖一切；后者把用户按注册月份分群（cohort），每群独立看留存曲线，立刻能回答"这个月发布的新版本，是留住了更多人还是赶走了更多人"。

Ries 还给虚荣指标的危害起过一个很形象的说法（大意）：“成功剧场”——每个部门都能从一大坨总数里切出一条对自己有利的曲线，产品部说注册涨了，市场部说流量涨了，所有人都开香槟，唯独公司离成功没有更近。虚荣指标的真正危险不是"没用"，而是它让失败看起来可以忍受，从而系统性推迟了 pivot 决策。Ries 主张核算报告要符合三个标准：可执行（能指导行动）、可获取（全公司看得懂、拿得到）、可审计（任何数字都能追溯到真实客户行为，防止数据团队自己骗自己）。

第三幕：加速——引擎、批量与自适应组织

前两幕解决"方向对不对"，第三幕解决"怎么跑得更快"。

三个增长引擎

书中大意：可持续增长的定义是"新用户来自老用户的行为"。据此，增长只有三种基本机制，Ries 称之为三个增长引擎：

flowchart TD
    subgraph 黏着式引擎["黏着式 Sticky"]
        S1["核心指标：客户留存率 / 流失率<br/>规则：新增速率 > 流失速率"]
    end
    subgraph 病毒式引擎["病毒式 Viral"]
        V1["核心指标：病毒系数<br/>每用户带来几个新用户<br/>系数 > 1 即指数增长"]
    end
    subgraph 付费式引擎["付费式 Paid"]
        P1["核心指标：LTV 与 CAC<br/>客户终身价值 > 获客成本<br/>利润再投入买增长"]
    end

黏着式（Sticky）：用户来了不走。规则简单：只要新增速率持续大于流失速率，就在增长。指标是留存率和 churn（流失率）。适合工具型、订阅型产品。优化动作都指向"让产品更值得留下来"：更好的 onboarding、更深的日常使用场景。
病毒式（Viral）：产品的正常使用本身就产生传播。核心指标是病毒系数——平均每个用户带来几个新用户。系数大于 1 是指数增长（数学上很美，现实中极少长期维持）；小于 1 时增长会衰减，要靠其他引擎接力。优化动作指向传播环路本身：缩短邀请路径、提高受邀者转化率。IMVU 的 3D 形象社交天然带传播属性，这是它病毒引擎的一部分。
付费式（Paid）：花钱买用户，用赚到的钱继续买。核心是两个数字的差：客户终身价值（LTV）减去获客成本（CAC）。差额为正且回款周期足够短，这台引擎就能持续点火；差额为负，烧钱买增长就是加速死亡。IMVU 是书中付费引擎的典型例子——它后来正是靠精确计算"每个新付费客户的收入"对"每次广告点击的成本"，把增长做成了一道可以逐月校对的算术题。

三个引擎有一个容易被忽略的共同点：它们都只是引擎，不是燃料。 燃料始终是"老用户从产品里获得了价值"——没有这一点，黏着式存不住、病毒式传不动、付费式算不平。这也是 Ries 把价值假设放在增长假设前面讨论的原因。

工程上的提醒是：一次只聚焦一个引擎。三个引擎的优化动作互相冲突（黏着要克制打扰、病毒要刺激传播、付费要把利润再投进去买量），同时优化等于都不优化。正确姿势是选定主引擎，把它调优到逼近极限、边际收益明显递减，再考虑切换引擎——切换本身也是一次需要验证的假设，不是拍脑袋的战略口号。

小批量：丰田送给软件业最实用的礼物

小批量工作（small batch）是从丰田直接移植的概念。书中用了一个很有名的思想实验（大意）：把一堆信件装进信封，两种方式——大批量方式是把"折纸→装信封→封口"三步各自一次性做完所有信；小批量方式是一封信从头到尾做完再做下一封。直觉说大批量更高效，实验结果几乎总是小批量更快。原因有三个：错误在第一步就能暴露（折法错了只毁一封信，而不是一百封）、没有中间库存堆积、单件完成的反馈更早。

映射到软件：大批量就是憋大招式开发——分支开发三个月再合并，联调地狱、集成冲突、方向错了三个月才发现；小批量就是小步快跑——小 PR、频繁集成、持续部署，每次提交都完整走完"构建→测试→部署→验证"一圈。书中还讲了 IMVU 自己实践持续部署（每天几十次部署）的经历，这在 2008 年前后是惊世骇俗的做法，今天已经成了行业常识——这件事本身就说明小批量赢了。

小批量真正的价值不是"快"，而是缩小了 Build-Measure-Learn 环的半径：批次越小，环转一圈越快，被证伪的假设损失越小。它和 MVP 是同一种思想在"产品"和"流程"上的两次投影——MVP 回答"最少构建什么"，小批量回答"最少攒多少再交付一次"。

这个思想同样适用于非工程环节。设计验证上，大批量做法是"憋出一套完整设计再做大范围可用性测试"，小批量做法是"每周拿 5 个真实用户测当前原型"——后者每个测试日都在修正方向；需求评审上，把一个季度的大需求拆成每周可交付的小假设，中途发现错了只损失一周而不是一季。丰田当年的对手怎么也想不通"少攒一点再干"为什么反而更快，今天的很多团队对持续部署的困惑，是同一种困惑。

五个为什么：把组织变成自适应系统

最后一章处理一个更隐蔽的问题：环转起来之后，组织怎么跟上？Ries 的工具是从丰田借来的五个为什么（Five Whys）：遇到任何故障，连问五次"为什么"，穿透技术表象，落到流程和人的根因。

书中大意：表面故障（服务器挂了）背后几乎总有一个"人"的原因和一个"系统"的原因——为什么挂了？新代码有 bug。为什么没拦住？没有对应的测试。为什么没有测试？工程师没受过这方面的训练……五层问下来，修复动作也从"回滚代码"升级成"补测试流程、加新人培训"。Ries 强调两个纪律：投入要与问题严重性成比例（别为一次小事故上一整套流程），以及所有相关人都在场（否则问到最后会变成甩锅大会）。

五个为什么的真正目的，是给组织装上自适应速度：环转得越快，暴露的问题越多，组织消化的速度必须跟上，否则反馈环会被人事摩擦拖停。换句话说，Build-Measure-Learn 解决"产品往哪走"，五个为什么解决"组织跟不跟得上"——两个环必须同速，少一个都会翻车。这一层思路和系统思维里"反馈回路+调节机制"的框架是同构的，我在系统思维笔记里展开过类似的结构。

总结：把精益创业编译成工程师动作

压缩成一句话：创业 = 在现金烧完之前，用最小的构建成本，把最大的不确定性逐个转成经证实的认知。

再把全书压成一张图：

flowchart TD
    U["极端不确定性"] --> V["写下两大假设<br/>价值假设 + 增长假设"]
    V --> M["构建 MVP<br/>针对最大风险假设的最小实验"]
    M --> IA["创新核算<br/>基线 → 调优引擎 → 决策"]
    IA --> D{"Pivot 还是<br/>Persevere？"}
    D -->|"转型：换假设，保留认知"| V
    D -->|"坚持：继续调优"| E["选定增长引擎<br/>黏着 / 病毒 / 付费"]
    E --> A["自适应组织<br/>五个为什么 + 小批量"]
    A -.->|"组织跟上环的转速"| M

这本书的优点和局限都很清楚：

优点：它把"创业"从玄学变成了可问责的工程学——假设、实验、指标、核算，每一步都可以检验。对工程师读者，这是所有创业书里最"对脾气"的一本。
局限：案例集中在 2000~2010 年的美国消费互联网，对硬科技、B2B 长周期销售、“先做十年后验证"的赛道，套用时必须打折扣。书中自己也承认，经证实的认知回答不了"该做什么样的产品"这种品味问题。

如果你不想创业，这套东西也不是白读。下面是我把它编译成的工程师日常动作，每条都可检验：

把需求当假设写。 接到需求先翻译成假设句式：“我认为 X（改动）会导致 Y（指标变化），因为 Z（对用户行为的判断）。” 写不出 Y 的需求，大概率是虚荣需求。写假设花两分钟，防自欺价值千金。
每次发布前问一句：这次发布验证哪个假设？ 答不上来，就把发布拆小，拆到能答上来为止。这是 Build-Measure-Learn 在 sprint 粒度上的应用。
同期群分析当默认报表。 看产品数据先看 cohort 留存，而不是总注册、总 DAU 这种单调安慰剂。数字不能改变行动，就不配进报表。
给项目设 pivot/persevere 复盘会。 每个里程碑不评审"做了多少功能”，评审"基线数字动了没有"；连续两个周期不动，认真讨论一次"我们是不是该换个假设"。
一次只改一个变量。 优化指标时忍住"顺手多改几个"的冲动——改多了，数据动了你也不知道是哪一下动的。

最后是两个相邻的入口：《奔跑吧，程序员》把 MVP、海盗指标、营销渠道讲得更实操，适合作为这本书的下一本（笔记在此）；而《小而美》给的是另一个方向的解——不追求指数增长，从第一天就盈利、服务一个小而具体的社区，和精益创业的"验证优先"共享同一个底层，但把增长引擎换成了慢速的可持续引擎（笔记在此）。创业不是只有一条路，但先把假设写下来、让现实投票这一条，是所有路的公共起点。

《奔跑吧，程序员》全书导读：从零开始打造产品、技术和团队

Mon, 24 Feb 2020 21:00:00 +0800

《奔跑吧，程序员》全书导读：从零开始打造产品、技术和团队

参考书籍：Yevgeniy Brikman《奔跑吧，程序员：从零开始打造产品、技术和团队》（Hello, Startup，O’Reilly 2016，人民邮电出版社 2018 年中文版，吴晓嘉译）。目标读者：没读过这本书、想快速了解它讲了什么、值不值得读的程序员和创业者。阅读目标：用一篇文章把全书三大部分、12 章的核心内容讲清楚，配结构图和真实案例。

这本书是什么

作者 Yevgeniy “Jim” Brikman 是 LinkedIn 的早期工程师，后来参与创立 Gruntwork。他把这本书定位为**“给创业者的 Hello, World 教程”**——就像学一门编程语言时先写一个 printf("Hello, World") 让程序跑起来一样，这本书教你怎么让一家创业公司的三个核心部件跑起来：产品、技术、团队。

作者在序言里讲了一个自己的糗事，很能说明这本书的价值：他在 TripAdvisor 的第一个项目是给酒店列表页加一个新选项，上线后页面加载变得奇慢无比——因为他的代码在排序时每次比较都要调两次数据库，对近 2000 家巴黎酒店排序，一次页面加载就触发近 4 万次数据库调用，差点把数据库服务器累趴下。学校教了他算法和编程，却没教他"代码跑在真实世界里会发生什么"。这本书就是要补上这一课。

全书的骨架非常清晰：

flowchart TD
    A["奔跑吧，程序员<br/>Hello, Startup"] --> P1["第一部分：产品"]
    A --> P2["第二部分：技术"]
    A --> P3["第三部分：团队"]
    P1 --> C1["第1章 为何创业"]
    P1 --> C2["第2章 创业点子"]
    P1 --> C3["第3章 产品设计"]
    P1 --> C4["第4章 数据与营销"]
    P2 --> C5["第5章 技术栈的选择"]
    P2 --> C6["第6章 整洁的代码"]
    P2 --> C7["第7章 可扩展性"]
    P2 --> C8["第8章 软件交付"]
    P3 --> C9["第9章 创业文化"]
    P3 --> C10["第10章 求职之路"]
    P3 --> C11["第11章 招兵买马"]
    P3 --> C12["第12章 学习"]

下面按三大部分逐一展开。

第一部分：产品

第 1 章为何创业

作者先给"科技创业公司"下了个定义，综合了三位大牛的观点（Eric Ries、Paul Graham、Steve Blank），提炼出四要素：

flowchart LR
    S["科技创业公司"] --> A["产品是技术"]
    S --> B["环境极度不确定"]
    S --> C["目标是大幅增长"]
    S --> D["运作模式是探索"]

注意：和公司成立时间、员工数、估值都无关。一家 500 人的公司如果还在探索可复制的商业模式，它仍然是创业公司；一个三人团队如果做的是成熟外包生意，就不是。

为什么要去创业公司？作者给的理由是更多的机会、更多的所有权、更多的乐趣。但紧接着用很大篇幅泼冷水：

创业并不光鲜：媒体塑造的"顿悟后一夜成功"是幻觉。Marc Andreessen 说创业时"你只能体会到两种情绪：狂喜和恐惧，而且睡眠缺乏会放大这两种情绪"。
创业是牺牲：Stylefeeder 创始人 Philip Jacob 26 岁时连续八九个月每周工作 90 小时，体检时数值"像 60 岁的人"。
你大概率不会变富：作者分析了 60 多万家创业公司，回报遵循幂律分布——仅 34 家（Facebook、Twitter、Uber 等）就占了总市值的 76%，约 75% 的风投支持创业公司以失败告终。

一个很反直觉的例子：Facebook 联合创始人 Dustin Moskovitz 说过，Facebook 的第 100 号员工赚的钱，比硅谷 99% 的创业者还多。所以对多数人而言，“加入一家高速成长的创业公司"比"自己创业"是更优的赌注——同样的十年，员工可以换 3-4 家公司分散下注，而创始人从创立到退出平均要熬 7-8 年（Facebook 8 年、LinkedIn 8 年、Zappos 10 年）。

经验法则：只有你愿意把生命的下一个十年都花在这家公司上，才去创业。

第 2 章创业点子

本章先拆穿了一个迷思：点子不是顿悟。阿基米德喊着"尤里卡"跳出浴缸的故事出自 200 年后别人的记述，很可能是虚构；牛顿没有被苹果砸中，万有引力他研究了 20 年；爱迪生也没有"发明"灯泡——灯泡已经存在 70 多年了，他只是试验了 6000 多种灯丝材料。

点子的真实产生过程是重新合成，一切创造都是三步：

flowchart LR
    A["模仿"] --> B["转换"] --> C["合并"]
    C -.->|"案例：Google 之前至少有 10 个搜索引擎，<br/>PageRank 思想源自 60 年代的文献计量学"| D["新点子"]

所以"我有一个绝妙的点子但怕人偷走"的秘密模式完全没必要——真正吸引竞争者的不是点子本身，而是点子受到广泛关注。事实上多数行业根本没有先发优势：1993 年的研究显示，近半数的市场先行者最终失败了。

点子从哪来？作者给了七个培养创造力的方法，其中最实用的是记录点子日记（达·芬奇、爱迪生、维珍创始人布兰森都有这个习惯）——MIT 和 CMU 的研究表明，提高点子的数量比提高平均质量更能带来好点子，“想要好点子的关键是有很多坏点子”。

有了点子之后必须验证。CB Insights 分析 100 多家失败创业公司，头号死因是"没有市场需求”。Steve Blank 的"客户开发"方法论是核心：

flowchart LR
    A["验证问题"] --> B["验证 MVP"] --> C["验证产品"]
    B -.->|"不通过就退回"| A
    C -.->|"不通过就退回"| B

验证问题时要跟至少 10 个真实客户交谈——“如果你找不到前十个会购买的用户，这个点子就是在哄人”。

书中的反面案例很生动：Jeff Novich 做了 Patient Communicator（帮医生管理病人的系统），打了数百个推销电话、发了上万封邮件、还上了福克斯新闻，最后只得到一位付费医生（后来也停业了）。事后他才明白：“医生想要的是更多病人，而不是更有效率的诊所。"——他解决的是一个根本不痛的痛点。

这一章还有个著名的对照：1999 年 Webvan 烧掉 8 亿多美元做生鲜配送后破产；十几年后 Instacart 做同样的事却成功了。差别就是红杉资本爱问的那句**“为什么是现在？”**——智能手机、GPS、移动支付、用户习惯，这些"万事俱备"到 2012 年后才凑齐。

第 3 章产品设计

程序员最容易忽视的一章，也是本书最出彩的部分之一。核心立场是 Jeff Raskin 那句话：“界面即产品”——用户眼里的 Google 就是一个文本框加一个结果页。Joel Spolsky 称之为"冰山的秘密”：UI 只占全部工作的 10%，但界面糟糕，人们就会认为你的一切都糟糕。书里有 7 名程序员在 LinkedIn 会议室被一个问题跟踪软件难住几小时、最后改用便利贴的真实故事。

设计的首要障碍是知识之祸（Curse of Knowledge）。斯坦福 1990 年的经典实验：让"敲打者"敲出歌曲节奏给"倾听者"猜，敲打者预估对方能猜中 50%，实际 120 首歌只猜中 3 首（2.5%）。程序员设计软件时脑中"听着完整的歌曲"，用户听到的只是摩尔斯码。所以 Steve Krug 才说：“没人想读说明书。”

设计原则里最值得记住的几条：

目标不等于任务：NASA 花数百万美元造太空笔而苏联宇航员用铅笔（传闻），说明盯任务会跑偏；“任务随技术变化，目标很稳定”。
别为"平均用户"设计：Alan Cooper 说"想让 50% 的人 50% 满意是行不通的，要让 10% 的人 100% 心醉神迷"。
产品要有礼貌：Gmail 检测到你写了"附件"却没贴文件会弹确认框；发送后留几秒可以"撤销"。这就是考虑周到的设计。
简单来自削减：雕塑家不是往石头上加东西，而是去掉多余的部分——“达到完美并不是没有东西可以添加，而是没有东西可以去除”。

下半章讲 MVP（最小可行产品）。Eric Ries 的定义是：以最小的付出最大化地验证性地了解客户。MVP 不是一次性行为，而是一个循环：

flowchart LR
    A["找出风险最大的假设"] --> B["表述为可测试的假设"]
    B --> C["构建最小实验 MVP"]
    C --> D["分析结果"]
    D -.->|"循环"| A

书中归纳了五种 MVP 类型，每种都有一个经典案例：

MVP 类型	代表案例	做法
展示页面	Buffer	只有一个介绍页+价格页，用价格按钮的点击量验证付费意愿
介绍视频	Dropbox	4 分钟演示视频放 Hacker News，24 小时内 7 万人注册等候
众筹	Pebble	只拿一个原型上 Kickstarter，从 6.8 万赞助人处筹到 1000 万美元
绿野仙踪	Zappos	前台接单，后台"人肉"去鞋店买鞋寄出，假装系统存在
拼凑式	Groupon	WordPress 博客 + FileMaker 生成优惠券 PDF + Apple Mail 群发

做 MVP 要关注差异性：要的不是 10% 的改进，而是 10 倍的改进。Gmail 推出时别家邮箱只有 4MB 容量，它直接给 1GB，外加 Ajax 对话视图——至于富文本编辑器这些"标配"，反而都没有。初代 iPhone 同理：没有应用商店、没有 GPS、没有 3G，甚至没有复制粘贴，但多指触控的体验比别人好 10 倍。

最后是 Y Combinator 最著名的建议：创业须从无法规模化的事情做起。Airbnb 创始人挨家挨户招募房东并亲自帮拍公寓照片；Pinterest 创始人在咖啡店里挨个拉人试用；Wufoo 给每个客户手写感谢信。早期亲力亲为，是让公司这台小机器转动起来的唯一办法。

第 4 章数据与营销

数据部分的核心工具是 Dave McClure 的海盗指标 AARRR：

flowchart LR
    A["获取<br/>用户从哪来"] --> B["激活<br/>首次体验好吗"]
    B --> C["留存<br/>用户会回来吗"]
    C --> D["推荐<br/>用户会传播吗"]
    D --> E["收益<br/>能赚到钱吗"]
    F["神奇数字<br/>先行指标"] -.-> C

每个指标都要按渠道分解，且客户生命周期价值（CLV）必须大于获客成本。

“神奇数字"是本章最有趣的概念：找到那个"用户一旦突破就会粘住"的先行指标。Facebook 的是注册 10 天内加 7 个朋友；Twitter 的是关注 30 人；Slack 的是团队累计交换 2000 条消息（达到的团队 93% 会留存）。找到它的方法：定成功指标 → 找相关行为 → 回归分析 → 用 A/B 测试验证因果（相关不等于因果）。

数据驱动开发的正确姿势，是把功能当实验：

flowchart LR
    A["开发 MVP"] --> B["A/B 测试"] --> C{"分析结果"}
    C -->|"有效但不够好"| A
    C -->|"有效"| D["发布"]
    C -->|"无效"| E["放弃"]

书中的例子：LinkedIn 订阅页做过一次分桶测试，4 张不同的人物照片随机分 4 组，结果"灰白头发男士"那张显著胜出——“仅用一个测试代替直觉，就让我们赚到更多钱”。反例是 Etsy 式的做法：花大力气做完功能开庆祝派对，20 个月后默默删掉。

营销部分的第一个认知冲击是：最好的产品未必胜出，是"客户认为最好的产品"胜出。TiVo 发明了 DVR、用户忠诚度极高，2008 年市占率却只有 6%——94% 在有线电视公司手里。Peter Thiel 说得很直白：“没有销售方法的发明就是糟糕的生意。”

四大营销渠道：

口口相传：做出值得谈论的产品（Seth Godin 的"紫色的牛”）；极致客服——Zappos 全员接客服电话，Stripe 工程师每两周轮班客服，KAYAK 干脆把客服电话线装在工程师座位中间；病毒式循环。
病毒系数的数学：K = 每用户邀请数 × 转化率。K=0.5 时用户量翻倍，K=0.67 三倍，K≥1 才是指数增长但现实中不可持续（消费互联网产品 K 值 0.15-0.25 已属不错）。经典案例：PayPal 推荐朋友双方各得 10 美元，用户日增 7%-10%；Hotmail 每封邮件底部自动附一句"来 Hotmail 获取你的免费邮箱"，6 个月增 100 万用户。
市场推广：广告、公关、邮件、SEO、社交媒体、集客式营销。亮点案例：LinkedIn 2011 年的"一年回顾"个性化邮件，点击率超过 100%（有人点了不止一次）。
销售：按客单价分层——1000 美元以下自动化销售，1000-10 万美元内部销售，10 万美元以上外部销售。招人之前，创始人应该先亲自销售。
品牌化：品牌不是 logo，是客户与你所有交互的总和。红牛卖的不是饮料而是极限运动（赞助 Felix Baumgartner 从 38 公里高空跳伞，时速超 1280 公里）。

第二部分：技术

第 5 章技术栈的选择

本章的黄金法则只有一句：好的技术栈，其扩展速度要快于维护所需的投入。 如果用户翻倍只需要加几台服务器，就是好状态；如果需要把团队人数翻倍才能应付，就该重新评估了。

初始技术栈怎么选？答案朴素得让人意外：熟悉什么就用什么。LinkedIn 用 Java、GitHub 用 Ruby、Twitter 用 Rails、Pinterest 用 Python——全因为创始团队最精通它。早期用户和代码都少，可扩展性根本不是挑战，快速迭代才是王道。

技术栈是进化出来的，不是设计出来的。LinkedIn 2011 年用增量式四阶段法迁移到 Play 框架（找痛点和早期采纳者 → 最小集成点 → 重写一个服务 → 循环），最终 80 多个服务完成迁移；Twitter 从 Ruby 迁到 JVM 后搜索延迟降到 1/3。作者严厉警告不要"停止一切、彻底重写"——这是"所有软件公司都可能犯的单一最糟糕的战略性错误"，正确做法是渐进主义：把大改动拆成每步都有独立价值的小步骤。

自研、买商业产品还是用开源？书中给出了现成的决策树：

flowchart TD
    A["需要一项新技术"] --> B{"它是你的商业<br/>竞争优势吗？"}
    B -->|"是"| C["内部实现<br/>（或实现后开源）"]
    B -->|"否"| D{"有开源项目满足<br/>大部分需求？"}
    D -->|"是"| E["使用开源"]
    D -->|"部分满足"| F["使用开源<br/>并贡献补丁/插件"]
    D -->|"否"| G{"有商业产品<br/>可满足？"}
    G -->|"是"| H["购买"]
    G -->|"否"| C

还有一份"永远不要自己实现“的清单：安全（加密、密码存储）、Web 框架、数据库、消息队列、版本控制、构建部署工具、通用数据格式库、日期时间库、操作系统、编程语言。例外只有两种：为了学习，或者这就是你业务的核心竞争力。密码存储务必"盐 + bcrypt”，这类基础错误不值得任何公司再犯一次。

数据库的结论同样朴素：关系型数据库是默认答案。理由有三：通用数据存储技术需要十年才能成熟（NoSQL 在成书时平均年龄只有 6 岁）；数据是业务中寿命最长的部分，比任何功能甚至公司本身活得久；“好的数据存储是无聊的”。Facebook 用 4000 个 MySQL 节点每秒处理 6000 万次查询，证明关系型数据库可以走得很远；反例是 Pinterest 在月页面访问从零到上百亿的过程中放弃了 MongoDB 和 Cassandra——打败它的不是性能，而是复杂的故障模式。真要扩展，按复杂度逐级升级：优化查询 → 加缓存 → 主从复制 → 垂直分区 → 水平分片。

第 6 章整洁的代码

本章开篇点题：程序员的工作不是写代码，而是理解代码。编程时间中读代码与写代码的时间比超过 10:1，写代码的时间里 80% 以上是在维护旧代码——一天 8 小时，能写 5 分钟新代码就不错了。所以整洁代码就是"为人的理解而优化"的代码。

书中用一段 30 行的糟糕 Java 代码（把 CSV 转 JSON 的 BookParser）作为贯穿案例，逐节重构，覆盖：

代码布局：2014 年 Apple 的 “goto fail” SSL 漏洞是最好的反面教材——一行重复的 goto fail; 因为缺大括号、缩进误导，跳过了关键的安全验证，让数以百万计的设备暴露于中间人攻击。布局不是美观问题，是安全问题。
命名四原则：回答所有重要问题、要精确、要全面、遵循约定。一个好例子是把变量命名为 totalWeightInLbs——单位编码进名字里，“千克加磅"的 bug 自己就会现形。
错误处理：绝不静默吞异常，空的 catch 块会让调试变成猜谜。
DRY：最大的重复是重新发明轮子，用久经考验的开源库替代手写解析。
单一职责原则：函数名长到可笑（convertCsvToJsonAndDeleteCsvAndGenerateReport）就是职责过多的信号。
函数式编程三件套：不可变数据、高阶函数、纯函数。副作用无法消灭，但要隔离到应用入口。
松耦合与高内聚：依赖反转原则——高层与低层模块都依赖抽象；类名带 “Util” 是低内聚的典型特征。判断耦合紧不紧的快速方法：试着写单元测试，测试要复制多少实现细节，耦合就有多紧。

关于注释和重构的两句话值得抄下来：“不要为糟糕的代码注释——重新写吧。"（Kernighan & Plauger）；重构不是单独的"清理阶段”（这样的阶段永远不会到来），而是编码的核心活动——先做纯粹重构，再做纯粹扩展。

第 7 章可扩展性

可扩展性不是布尔属性，它分两个层面：编码实践的扩展和性能的扩展。创业像开手动挡：太早扩展（低速挂高挡）会熄火，太晚扩展（低挡猛踩油门）会过热。早期重点应放在编码实践上。

四大编码实践：自动化测试、代码分离、代码评审、文档。

自动化测试：TDD 的真正价值是设计反馈——先写测试会提前暴露设计问题。但作者很务实：创业早期可以合理地跳过测试（早期产品 10 款里 9 款会被抛弃），但支付、安全、数据存储类代码从第一天起就必须大量测试。权衡三要素：bug 的成本、bug 的可能性、测试的成本。
代码评审：数据惊人——有评审的代码每 100 行 0.82 个错误，无评审 4.5 个（降低 80% 以上）；设计+代码评审能抓住 55%-60% 的 bug，而单元测试和集成测试只能抓 30%-35%。结对编程多花约 15% 的时间，换约 15% 更少的缺陷。
文档：RDD（Readme 驱动开发）——写代码之前先写 Readme，写作是更严密的思考形式，能在写几千行代码之前暴露计划的瑕疵。

性能扩展的方法论是"测量 → 优化"的迭代，顺序是 Kent Beck 那句”让它工作，让它正确，让它快速"——顺序不可颠倒。书中用链表 vs 数组的实验证明直觉和大 O 分析都会骗人（数组因 CPU 缓存一致性快了 50-100 倍）。记住一组"每名程序员都应知道的延迟数字"（内存引用约 100ns、磁盘寻道约 4ms、同数据中心往返约 0.5ms），很多优化决策用算术就能算出来——何况程序员的时间比 CPU 时间贵三个数量级，买硬件常常比改代码便宜。

第 8 章软件交付

本章两个核心观点：“完成"意味着交付（代码跑在你电脑上不算完成，交到用户手里才算）；以及 Martin Fowler 那句反直觉的方法论——“如果你觉得痛苦，就多去做”。降低交付痛苦的办法不是回避，而是更频繁地面对：频繁合并（持续集成）、频繁部署（持续交付）。

完整流水线长这样：

flowchart LR
    A["版本控制"] --> B["构建工具"]
    B --> C["持续集成<br/>CI 服务器守门"]
    C --> D["配置管理<br/>容器 / 编排"]
    D --> E["自动化部署<br/>金丝雀 → 滚动全量"]
    E --> F["监控<br/>日志 / 指标 / 报警"]
    F -.->|"反馈"| A

本章最震撼的案例是 LinkedIn 的手工交付恐怖故事：2011 年 LinkedIn 上市、会员每秒增加 2 个，但发布流程是"火车模型"两周一班；发布前三周，十几个团队合并功能分支如同噩梦；构建一次要 10 小时且测试间歇性失败；部署计划是手工维护的 wiki 页面，人肉在几千台服务器上滚动部署几百个服务，发布常拖到深夜甚至中途取消。到 2011 年底，公司几乎无法发布软件了。于是启动"项目反转”（Project Inversion），全面转向基于主干的开发、自动化和持续交付，最终做到一小时内多次部署且 bug 更少。

支撑这种规模的两个关键技术：

基于主干的开发：不用功能分支，大改动靠"抽象分支"（先定义接口、增量迁移、再切换实现）和"功能开关"（未完成代码默认关闭，可 1% → 10% → 100% 渐进放量）。LinkedIn 借此从 100 名工程师扩到 500+；Google 支撑 15000+ 开发者、每分钟 20-60 次提交。
监控三支柱：日志（格式化、含时间戳和唯一请求 ID、对 grep 友好）、指标（可用性 → 业务 → 应用 → 进程 → 代码 → 服务器六个层次）、报警（监控数据没人看就等于没有）。LinkedIn 高级副总裁 David Henke 的话：“如果你无法测量，你就无法修复。”

第三部分：团队

第 9 章创业文化

文化胜过战略：点子、规划、产品都会失败，伟大公司的核心是伟大文化——一种能不断产生新点子、新规划、新产品的环境。注意，文化不是桌上足球和圣诞派对，“文化是行动，而非口号”。

核心理念 = 使命 + 核心价值。好的使命宣言要简洁、清晰、永恒、鼓舞人心。Simon Sinek 的"黄金圆"是最好的解释工具：

flowchart LR
    subgraph 普通公司["普通公司：由外而内"]
        A1["做什么"] --> A2["怎么做"] --> A3["为什么"]
    end
    subgraph 伟大公司["伟大公司：由内而外"]
        B1["为什么"] --> B2["怎么做"] --> B3["做什么"]
    end

“人们不想买你做的产品，想买的是你的信念。“马丁·路德·金讲的是"我有一个梦想”，而不是"我有一个计划”。

核心价值不是拍脑袋选出来的，而是从团队身上发现的——判断标准是"即便不再缺钱、即便一百年后、即便因此被华尔街惩罚也要坚持"。“宽松着装规定"过不了这个测试，“透明沟通"可能过得了（Buffer 公开所有员工薪水、股权甚至投资人协议，公开薪酬后那个月收到的简历翻倍）。

关于激励，本章引用了经典的"蜡烛问题"实验：给金钱奖励的一组比无奖励组平均慢 3-5 分钟——外在奖励对创造性工作适得其反。正确的环境要放大三个内在要素：

flowchart LR
    A["自主权<br/>Google 20% 时间<br/>LinkedIn 黑客日"] --> M["内在激励"]
    B["专业能力<br/>刻意练习<br/>导师制"] --> M
    C["目标<br/>使命感<br/>任期制"] --> M

几个让人印象深刻的公司实践：Valve 无管理、无头衔、桌子带轮子让员工"用脚投票"选项目，400 名员工人均产值超过 Google；Travis CI 规定每人每年至少休 25 天带薪假，因为"休假比离职补偿金便宜”；Zappos 给新员工开 2000 美元"退出奖金”，最终不到 1% 的人拿钱走人。

第 10 章求职之路

这一章是写给打工人的，核心事实：80% 的工作不登广告。招聘网站投递的录用率约 1/100，而人脉引荐的录用率约 1/7——所以找工作的时间应该 80% 花在人脉上。

LinkedIn 三度人脉的数学很有说服力：50 个联系人 × 50 × 50 = 125,000 个三度关系。发展人脉的途径包括 Meetup、黑客马拉松（“几乎每次编程竞赛实质上都是一次招募活动”）、演讲、博客、开源。一个经典案例是 Meebo 联创 Elaine Wherry 的"招聘蜜罐"实验：她虚构了一份 JavaScript 工程师简历，挂在网上无人问津，一放上 LinkedIn 立刻爆炸——总计收到 172 个组织、382 位招聘人员的 530 封邮件，平均每 40 小时一封。

评估工作机会的顺序是人 → 业务 → 经济回报（“人们不是离开公司，而是离开经理”）。报酬部分最有价值的是股权科普，典型的 4 年兑现结构：

flowchart LR
    A["入职 0%"] --> B["满 1 年 cliff<br/>一次性兑现 25%"]
    B --> C["余下 75%<br/>分 36 个月均分"]
    C --> D["行权<br/>按授予时 409A 价格"]
    D --> E["IPO 或收购退出"]

作者用同一笔投入（年薪差 1.5 万 × 4 年 + 行权 1 万 = 7 万美元）算了三档退出回报：公司像 Flickr 那样 2200 万被收购 → 回报 8.55 万；像 Photobucket 那样 2.5 亿被收购 → 92 万；像 Instagram 那样 10 亿被收购 → 373 万。再结合 75% 的失败率——这就是"股权是一张彩票"的全部含义。Facebook 工程师 Daniel Kim 坦白：他差点因为 Oracle 薪水更高而拒绝 Facebook，因为"我不知道股权是什么"。

谈判要点：想要 +10% 就开口要 +15%；不要透露当前薪水；没写进合同的承诺当作不存在；最强的筹码是竞争性 offer 和"离开"的底气——面试工作的最好时机，是你不需要工作的时候。

第 11 章招兵买马

站在创业者视角的镜像章节。第一条建议出人意料：先别招。更多人 = 资金消耗更快、决策更慢；关键问题不是"招了人能做什么"，而是"不招人就做不到什么"。

关于合伙人：Paul Graham"杀死创业公司的 18 个错误"第一条就是单一创始人；两个创始人最好，超过三个易生内耗；最佳合伙人是共同战斗过的前同事；股权应平均分配并加兑现计划（YC 最好的公司中没有一家股权分割显著不均）。

关于"10 倍程序员"，作者给出了全书最清醒的解读：研究确实发现程序员效率差一个数量级，但 10 倍程序员不是打字快 10 倍，而是10 倍能力的决策者——做更好的技术决策，避免几个月的无效苦干。而且表现因任务和环境而异（文化契合决定他是 10x 还是 0.1x），人可以变好。所以正确的策略是成为培养 10 倍程序员的公司，而不是妄想只招摇滚明星。

面试环节的数据同样颠覆：Google 研究 1 万次面试后发现面试官评分与后续工作表现"一点关系都没有"，智力题（“一架飞机能装多少高尔夫球”）完全是浪费时间。更真实的替代方式是一个谱系：BYOL 自带笔记本实操 → 带回家的挑战 → 真实业务问题 → 结对编程 → 试用一天。招聘流程上，每位面试官只准说"可以"或"不可以"，不允许"也许"，一票否决——录用错的人比错过对的人更糟。

两个暖心的案例收尾：Airbnb 创始人花近 6 个月、面试数百人才招到最初的员工；Zappos 所有新员工（含会计、律师）都要上 4 周客服培训并实际接 2 周电话——文化不是贴在墙上的，是筛选出来的。

第 12 章学习

最后一章讲的是程序员职业的底层操作系统。软件行业知识每年都在淘汰，Erlang 之父 Joe Armstrong 的建议是：花 20% 的时间学习——这是一种复利。

一万小时定律人人听过，但作者强调光有时间不够，还要刻意练习：有反馈机制 + 每次挑战超出当前能力的任务。刻意练习"是乐趣的对立面"。

“没时间学习"是伪命题——说这话其实是在说"我把别的事排在学习前面”。作者亲证：每晚 11 点学 20-40 分钟，2006 年学 Ajax → 2007 年进 TripAdvisor；2008 年研究雪碧图 → 2009 年进 LinkedIn；2010 年研究 Web 框架 → 2011 年负责重建 LinkedIn 的 Web 框架基础设施。

学习的三个技巧构成一个闭环：

flowchart LR
    A["研究<br/>读书 / 论文 / 课程<br/>读开源代码"] --> B["实现<br/>业余项目 / 开源贡献<br/>刻意练习"]
    B --> C["分享<br/>写作 / 演讲 / 开源"]
    C -.->|"反馈与新机会<br/>驱动新的研究"| A

“分享"是回报最被低估的一环，作者列了五重回报：专业性（教是最好的学）、质量（家里最干净的时候是客人来之前——开源前你会补测试写文档）、劳动力（用户报 bug 是免费 QA，提交补丁是免费开发）、市场推广、所有权（博客和开源成果一辈子跟着你）。作者和同事做过"30 天博客挑战”，每人每天写一篇，一个月后博客流量涨了 10 倍，文章两次登上 Hacker News 首页，甚至推动 Play/Scala 社区根据他的反馈改了 API。

全书的落脚点很朴素：学习的目标不是成为世界上最出色的程序员，而是成为比昨天更出色的程序员。“好程序员与差程序员的差别和天赋关系不大，更多与坚持有关。”

总结：这本书值不值得读

如果把全书压缩成一张图，创业公司的打造过程就是三个循环的叠加：

flowchart TD
    subgraph 产品循环
        P1["验证问题"] --> P2["构建 MVP"] --> P3["数据验证"] --> P1
    end
    subgraph 技术循环
        T1["整洁代码"] --> T2["测试与评审"] --> T3["持续交付"] --> T1
    end
    subgraph 团队循环
        M1["定义文化"] --> M2["招兵买马"] --> M3["持续学习"] --> M1
    end
    产品循环 --- 技术循环
    技术循环 --- 团队循环

这本书的优点：

全面：产品、技术、团队三大块一次讲透，是名副其实的"创业者的 Hello, World"。
案例扎实：几乎每一个论点都有真实公司、真实数据支撑，LinkedIn 的一手经验尤其珍贵。
立场清醒：不贩卖创业鸡汤，幂律分布、75% 失败率、“你大概率不会变富"都摆在明面上。

局限也很明显：成书于 2016 年，技术栈部分的具体工具（如 Chef/Puppet 时代的配置管理）已有年代感，但其方法论——渐进主义、持续交付、决策树——至今没过时。

推荐给三类人：想创业但不知从何开始的程序员（读全书）；在大公司想理解创业公司运作方式的工程师（读第 1、4、8 章）；要带团队或正在带团队的技术管理者（读第 6-9、11 章）。

《黑客与画家》创业学习笔记：用艺术思维重构技术变现

Sun, 09 Feb 2020 21:06:04 +0800

《黑客与画家》创业学习笔记：用艺术思维重构技术变现

参考书籍：Paul Graham《黑客与画家》（Hackers and Painters）。
目标读者：想学创业、正在做副业、或者想把技术变成产品的程序员。
阅读目标：把 Graham 的散文重新组织成一套可重复、可操作的创业思考框架。

Paul Graham 是 Y Combinator 的创始人之一，也是 Lisp 程序员和画家。《黑客与画家》不是一本标准的创业教材，它更像是一个资深创客的笔记集合。但对创业程序员来说，这本书里藏着一套非常底层的操作系统：

技术不只是谋生技能，它是创造财富的杠杆；
创业不是赌运气，而是可以被训练的方法；
好的工具和算法，直接决定你能走多远；
写代码和画画，本质上是同一件事。

这篇文章我把书中对我最有启发的内容，整理成 6 个模块。每个模块都尽量用新人能听懂的方式写，并给出可以落地的思考清单。

一、用艺术思维重构技术变现路径

1.1 黑客和画家的共同本质：都是 maker

Graham 说，黑客（优秀的程序员）和画家的相似度，远高于黑客和计算机科学家的相似度。

画家创作的过程是：

先有草图和想法；
不断修改、推翻、重画；
最终作品呈现出来，别人才会评价。

黑客写软件的过程几乎一样：

先写出一个能跑的原型；
根据用户反馈不断迭代；
产品上线后，市场才会给出真实反馈。

两者都不是"先想清楚再一次性做对"，而是在做的过程中想清楚。

1.2 艺术思维破解技术困局

很多程序员陷入一个困局：

“我技术很好，但不知道怎么赚钱。”

技术思维会问：“这个功能怎么实现？”
艺术思维会问：“用户真正需要的是什么？我能不能做出一个让他眼前一亮的东西？”

两者的区别是：

技术思维	艺术思维
关注实现难度	关注用户感受
追求系统完美	追求表达清晰
害怕改动	拥抱迭代
以功能为中心	以体验为中心

创业程序员真正值钱的能力，不是"会多少技术栈"，而是用技术做出别人愿意付费的作品。

1.3 重构"技术 → 财"的路径

传统路径：学好技术 → 找好工作 → 拿高薪。

Graham 给出的路径：

做出一个真正解决问题的东西 → 通过公司或产品把它规模化 → 创造财富。

这个差别非常关键。打工是把自己的时间卖一次；创业是把一个解决方案卖很多次。程序员的优势是，这个解决方案可以用代码复制。

1.4 案例：艺术思维如何决定产品成败

✅ 正面：Instagram 的减法艺术

Instagram 最初并不叫 Instagram，而是一个叫 Burbn 的 LBS 签到应用，功能复杂、界面混乱，用户增长缓慢。创始人 Kevin Systrom 和 Mike Krieger 没有继续堆功能，而是用艺术思维做了一次大胆的减法：

删掉签到、积分、优惠券等复杂功能；
只保留“拍照 + 滤镜 + 分享”三个核心动作；
把照片设计成统一的正方形，强化视觉风格。

结果：Instagram 在上线第一天就吸引了 2.5 万用户，18 个月后以 10 亿美元被 Facebook 收购。它的成功不是技术更先进，而是对用户情绪的精准表达。

❌ 反面：Google Glass 的技术傲慢

Google Glass 是一项令人惊艳的技术：头戴显示器、语音控制、实时拍照。但它失败的原因之一，是过于关注“我们能做出什么”，而不是“用户愿意在什么场景下使用什么”。

佩戴者被贴上“Glasshole”的标签，社交接受度极低；
没有明确的杀手级使用场景；
隐私争议和法律法规限制让它难以进入主流市场。

Google Glass 后来转向 B 端工业场景才找到生存空间。这个案例说明：技术再酷，如果缺乏对用户感受的理解，也很难变现。

新人行动清单：

写下你最近 3 个月遇到的 5 个"让人烦躁"的问题。
这些问题里，有没有一个能用 100 行代码做出原型？
如果做出来了，谁会愿意为它付费或省时间？

二、可以重复的创业思想

Graham 的创业思想不是鸡汤，而是一套可以反复训练的方法。

2.1 创造财富，而不是重新分配财富

Graham 有一个核心观点：财富不是固定的蛋糕，而是被创造出来的。

很多人以为创业就是"从别人口袋里掏钱"，但真正伟大的创业是让整个世界多出本来不存在的东西：一个新的效率工具、一个更好的沟通方式、一个省时间的流程。

程序员的创业，本质上是把想法变成代码，把代码变成产品，把产品变成别人愿意付钱的价值。

✅ 正面：Stripe 让互联网经济多了一套基础设施

Patrick 和 John Collison 创办 Stripe 时，发现网上收款远比想象中复杂：商家要对接银行、处理 PCI 合规、写大量支付逻辑。Stripe 没有发明“支付”这件事，但它通过一套简洁的 API，把原本需要几个月的接入工作缩短到几行代码。

Stripe 创造的价值是真实的：它让无数小公司和个人开发者第一次能轻松收钱。到今天，它处理的年交易额以万亿美元计。这就是 Graham 所说的“创造财富”——不是从别人口袋里抢钱，而是让经济活动本身变得更顺畅。

❌ 反面：Groupon 的财富再分配困境

Groupon 早期增长惊人，但它创造的核心价值其实有限。它的模式更像是一种“优惠券分销渠道”：把商家利润的一部分转移给消费者，自己从中抽成。

商家后来发现促销用户忠诚度低，盈利能力差；
消费者养成了“只买打折”的习惯；
竞争者蜂拥而入，护城河很浅。

Groupon 的市值从最高约 160 亿美元跌到不足 10 亿美元。它提醒我们：如果商业模式只是重新分配既有财富，而不是创造新的价值，长期很难维持。

2.2 小公司 + 高技术杠杆率 = 高回报

传统公司靠堆人、堆资源扩大产出。创业公司靠的是技术杠杆率：

几个人写出的软件，可以服务上百万用户；
一次开发，边际成本接近零；
决策快，迭代快。

这也是 Graham 推崇"小型创业团队"的原因。不是人多力量大，而是对的人 + 对的工具 + 对的方向力量大。

✅ 正面：WhatsApp 用 55 人服务 4.5 亿用户

WhatsApp 被 Facebook 以 190 亿美元收购时，整个公司只有约 55 名员工，却服务着超过 4.5 亿月活用户。它能在 Skype、MSN 已经存在的情况下崛起，靠的不是“功能更多”，而是定位更准、架构更轻、运营更省。

为什么它能从 Skype/MSN 手里抢用户？

WhatsApp	MSN / Skype
替代手机短信，移动原生	PC 时代的在线聊天工具
基于手机号，自动匹配通讯录	需要注册用户名、手动添加好友
异步消息，像短信一样随时收发	“在线/离线”状态模型
界面极简，只做消息	功能臃肿，广告多
跨运营商、跨国界免费	短信贵，国际短信更贵

对欧洲、拉美、印度等市场的用户来说，WhatsApp 不是“另一个聊天软件”，而是**“不用花钱的全球短信”**。这个痛点比 Skype 的视频通话、MSN 的娱乐功能更刚需。

为什么 55 人能支撑 4.5 亿用户？

极简产品：早期只有文字、图片、位置等基础功能，没有游戏、贴纸、广告系统，维护成本极低；
高效架构：后端用 Erlang 编写，单台服务器可支撑约 100 万个并发连接；
不长期存储消息：消息送达后从服务器删除，极大降低存储和合规成本；
病毒式增长：靠通讯录自动匹配和口碑传播，不需要市场投放团队；
无广告、轻客服：团队不需要销售、广告运营或庞大客服。

它靠什么盈利？

早期：首年免费，之后 0.99 美元/年的订阅费；
被收购后：2016 年取消订阅费，C 端完全免费；
现在：通过 WhatsApp Business API 向企业收费，企业按对话次数付费给客户发通知、客服消息、营销消息；同时发展 WhatsApp Pay 等金融服务。

本质上是 C 端免费占领通讯基础设施，B 端收费变现商业价值。

WhatsApp 证明：几个人用对的工具、切对的问题、保持极简，完全可以做出影响十亿人的产品。

❌ 反面：Color 的“堆人堆钱”失败

2011 年，Color 融资 4100 万美元，团队 41 人，产品还没上线就备受瞩目。它的理念是“基于位置的匿名社交照片分享”，但问题在于：

创始人没有验证用户是否真的需要这种体验；
大量资金花在豪华办公室和高薪上，而不是产品和用户反馈；
上线后用户很快流失，产品方向多次摇摆。

Color 最终悄无声息地关闭。这个案例说明：没有技术杠杆和用户验证，只靠人和钱堆不出好产品。

2.3 做那些"不会规模化"的事

YC 有一句名言：Do things that don’t scale.

初期不要急着写完美的平台，而是：

手动服务前 10 个用户；
亲自打电话收集反馈；
为用户做定制化修改。

你的目标不是一开始就做大规模，而是先找到真正愿意付费的人，再想办法自动化。

✅ 正面：Airbnb 创始人亲自上门拍照片

Airbnb 早期增长缓慢，Brian Chesky 和 Joe Gebbia 没有急着写更复杂的平台，而是做了一件“完全不会规模化”的事：亲自去纽约，挨家挨户给房东拍照，帮他们优化房源页面。

他们理解了房东真正关心什么；
照片质量提升后，订单量明显增长；
这些手工经验后来被产品化成摄影服务和智能建议。

Airbnb 今天的规模，正是从那些“不能规模化”的笨功夫里长出来的。

❌ 反面：Webvan 的“先规模化再找用户”

Webvan 是 1999 年互联网泡沫时期的明星公司，它想在网上卖杂货并自建配送体系。公司在还没验证商业模式之前，就花了 10 亿美元建仓库、买车队、招大量员工，试图“一次性做到全国”。

它假设消费者会大规模转向在线购菜，但没有验证；
高昂的固定成本让它现金流迅速断裂；
2001 年破产，成为“过早规模化”的经典反面教材。

Webvan 和 Airbnb 的对比告诉我们：在没有验证需求之前，自动化和规模化不是优势，而是负债。

2.4 选择好的问题，比解决问题更重要

Graham 强调，创业失败最常见的原因不是"做得不好"，而是**“做了一个没人需要的东西”**。

如何判断问题好不好？问自己三个问题：

这是你自己也有的痛点吗？ 自己需要的东西，理解最深刻。
解决后用户愿意付钱吗？ 愿意付费代表真实需求。
这个市场规模足够大吗？ 小市场养不出大公司，但大副业可以。

✅ 正面：Slack 从“失败的电子游戏”里找到真问题

Slack 的创始人 Stewart Butterfield 最初想做的是一款多人在线游戏 Glitch。游戏失败后，团队发现自己内部开发的一个通讯工具特别顺手，于是决定把它做成产品。

他们自己就是目标用户，深知团队沟通的痛点；
产品切入的是“电子邮件太笨重、IRC 太原始”的空白地带；
从游戏团队扩展到硅谷科技公司，再扩展到各行各业。

Slack 最终成为市值数十亿美元的公司。它的起点不是“我要做一个聊天软件”，而是“我们自己亟需一个更好的工具”。

❌ 反面：Juicero 解决了一个不存在的问题

Juicero 曾融资超过 1 亿美元，推出一台售价 700 美元的联网榨汁机，搭配售价 5～8 美元的果蔬包。它的理念是“用技术和设计重新定义榨汁”。

用户很快发现，用手挤果蔬包也能榨出汁，机器并非必需；
目标用户（健康生活方式人群）不愿意为这种便利付高价；
产品复杂、成本高、订阅模式僵硬。

Juicero 在 2017 年倒闭。它的失败完美诠释了 Graham 的警告：最难发现的失败，是你做了一个没人真正需要的东西。

新人行动清单：

列出你周围 3 个人最近抱怨过的问题。
用 1 句话描述：“我帮 XX 人群解决了 YY 问题。”
思考：这个问题是"维生素"（有了更好）还是"止痛药"（没有不行）？优先做止痛药。

三、如何寻找创业机会

Graham 关于"如何找到创业点子"的思考，是书里最实用的部分之一。

3.1 最好的点子来自"生活的不满"

不要坐在那里想"我要创业"，而是：

留意你生活中那些"怎么这么麻烦"“为什么没人做这个"的瞬间。

Graham 自己和同伴创办 Viaweb，就是因为他们觉得当时做电商网站太麻烦了。YC 孵化的很多项目，创始人最初都是想解决自己的问题。

3.2 待在"上游”（Stay upwind）

Graham 建议年轻人选择职业方向时，要"待在上游"。意思是：

做那些能让你积累长期能力、长期选项的事；
不要只看眼前工资，要看未来能打开多少扇门。

对程序员来说，“上游"可能是：

学习生成式 AI、分布式系统、编译器等底层技术；
参与开源项目，建立技术声望；
写作、演讲、做产品，积累影响力。

3.3 关注"边缘但快速增长"的需求

大公司的优势是服务主流市场，但主流市场往往意味着红海。

创业公司的机会通常出现在：

新技术刚出现，大公司还没反应过来；
小众人群有强需求，但现有产品很差；
法律法规、社会习惯变化带来的新场景。

3.4 做"自己就是用户"的产品

这是 Graham 反复强调的：如果你自己就是目标用户，你就有天然的信息优势。

你知道问题有多痛、现有方案有多烂、用户真正愿意为什么付费。这些都是坐在办公室做市场调研得不到的。

3.5 案例：机会来自真实不满，而非会议室想象

✅ 正面：Dropbox 从一个“忘带 U 盘”的瞬间诞生

Drew Houston 创办 Dropbox 的灵感，来自一个极其具体的挫败：他在公交车上带着笔记本电脑，却发现需要的文件存在另一台电脑里，随身带的 U 盘又忘带了。

他自己就是这个产品的目标用户；
当时的云存储方案要么复杂（FTP），要么不靠谱（自己搭服务器）；
他先做了一个 3 分钟的产品演示视频，验证需求后再投入开发。

Dropbox 从一个私人痛点出发，最终服务了数亿用户。这正是 Graham 所说的“最好的点子来自生活的不满”。

❌ 反面：Quibi 用好莱坞预算拍给想象中的用户

Quibi 由迪士尼前高管 Jeffrey Katzenberg 创办，融资 17.5 亿美元，主打“为手机竖屏观看制作的高品质短视频”。它的问题在于：

创始人不是目标用户，需求来自会议室推断；
高价签约明星制作内容，但用户并不愿意为短视频付费；
上线时正好遇到疫情，通勤场景消失，产品定位进一步崩塌。

Quibi 在上线不到 6 个月后就被出售。它的失败说明：没有真实用户验证的“高端需求”，再强的团队和资本也推不动。

新人行动清单：

记录一周内你遇到的 10 个"不爽时刻”。
标记其中 3 个可以用技术改善的。
对每个潜在机会，回答：“我自己会用它吗？”

四、算法的重要性

《黑客与画家》里有很多关于 Lisp、编程语言和算法的讨论。Graham 是 Lisp 的狂热信徒，他推崇的不是 Lisp 这门语言本身，而是Lisp 代表的那种思维方式。

4.1 算法是软件的"引擎"

算法不只是面试题。在现实产品中，算法决定了：

推荐系统能不能给用户想要的内容；
搜索引擎能不能在毫秒级返回结果；
支付系统能不能在高并发下保持正确；
AI 应用能不能在有限算力里产生有价值的输出。

一个好的算法，可以让一个小团队做出大公司才能做的效果。

4.2 学习算法的真正目的

不是为了刷题，而是为了训练三种能力：

抽象能力：把复杂问题拆成可计算的小问题。
效率意识：知道什么时候该优化，优化到什么程度。
工具感：知道世界上已经有哪些现成方案，避免重复造轮子。

4.3 创业程序员该优先掌握的算法方向

搜索与排序：几乎所有产品都需要查找和排名。
图算法：社交网络、推荐、路由、依赖分析都用得上。
动态规划与贪心：资源调度、路径规划、定价策略的底层思路。
概率与统计：A/B 测试、推荐系统、风控模型都离不开。
机器学习基础：即使没有做 AI，理解模型如何学习、如何泛化，也能帮你做出更智能的产品。

4.4 案例：算法如何成为竞争壁垒

✅ 正面：Google 用 PageRank 算法超越雅虎

1998 年，Google 还只是一家小公司，而雅虎是互联网门户巨头。Google 的制胜武器不是更多内容，而是 PageRank 算法——它通过网页之间的链接关系来评估重要性，而不是单纯看关键词密度。

搜索结果质量显著优于当时的竞争对手；
算法让一个小团队挑战并超越了行业巨头；
PageRank 后来成为现代搜索引擎的基础思想之一。

Google 的故事说明：一个好的算法，可以让小公司做出大公司做不到的效果。

❌ 反面：Orkut 在社交推荐上输给了 Facebook

Orkut 是 Google 早期推出的社交网站，在巴西和印度一度非常流行。但它最终被 Facebook 超越，其中一个原因是算法和用户体验上的差距：

Orkut 的页面设计杂乱，好友推荐和内容排序不够智能；
Facebook 的新闻 feed 算法和社交图谱设计更能留住用户；
当网络效应需要算法来放大时，Orkut 没有跟上。

Orkut 在 2014 年关闭。它提醒我们：在社交网络、推荐、搜索这些产品里，算法不是锦上添花，而是生死线。

新人行动清单：

选一个你正在做的项目，找出一个可以用算法优化的地方。
每周花 2 小时学习一个经典算法，并尝试用代码实现。
阅读一个开源项目里你感兴趣的算法实现。

五、开发工具的重要性

Graham 对工具的重视，贯穿全书。他认为工具直接影响思考效率和产品上限。

5.1 工具是你的"第二大脑"

好的开发工具：

让你把注意力放在问题本身，而不是语法和配置；
缩短"想法 → 代码 → 验证"的循环；
让一个人能完成过去需要一个团队做的事。

5.2 选择能让你"更快迭代"的语言和框架

Graham 创办 Viaweb 时用的是 Lisp，一个当时被认为"不实用"的语言。他选择 Lisp 的原因是：

表达力强，能快速写出复杂逻辑；
适合快速原型和快速修改；
让团队跑得比竞争对手快。

今天，对创业程序员来说，最重要的不是追新，而是选适合自己、能提高迭代速度的工具链。

5.3 现代创业程序员的工具箱建议

编程语言：Python（AI/脚本）、TypeScript（全栈）、Go/Rust（高性能服务）。
AI 助手：Cursor、GitHub Copilot、Claude Code 等，把自然语言变成代码草稿。
云服务：Vercel、AWS、GCP、阿里云，降低运维门槛。
数据与实验：PostgreSQL、Redis、ClickHouse，配合 A/B 测试工具。
协作与发布：Git、GitHub Actions、Notion、Figma。

5.4 不要沉迷工具，但要善用工具

工具永远服务于目标。 Graham 反对的是"为了用某个语言而用某个语言"，他推崇的是"选最能帮你赢的工具"。

对新人来说，与其纠结"学哪个框架"，不如：

先做出一个能用的东西；
在真实场景中感受工具的瓶颈；
有针对性地升级工具链。

5.5 案例：工具选择决定团队天花板

✅ 正面：Figma 用 Web 技术重构设计协作

Figma 创办时，设计界的主流工具是 Adobe 系列和 Sketch，都是桌面软件，协作靠传文件。Figma 选择用 Web 技术（WebGL + 实时协作算法）做一个浏览器里的设计工具。

设计师不再需要安装软件，打开链接就能协作；
多人实时编辑同一个文件，彻底改变工作流；
以工具为入口，逐步扩展成设计和原型平台。

Figma 后来以 200 亿美元被 Adobe 收购（虽然最终因监管未通过）。它的成功证明：选对工具，不只是提高效率，还可能重新定义整个行业。

❌ 反面：Adobe Flash 被封闭工具拖垮

Flash 曾经是网页动画、视频和游戏的王者。但它的失败，很大程度上是因为它是一个封闭、专有、依赖插件的工具生态：

移动设备不支持 Flash，iPhone 时代到来后迅速失势；
安全漏洞频发，浏览器厂商逐渐放弃支持；
HTML5、CSS3、JavaScript 等开放标准崛起后，Flash 没有跟上。

Adobe 最终在 2020 年底停止支持 Flash。这个案例说明：工具不仅要好用，还要符合技术演进的趋势，过度封闭会被开放生态取代。

新人行动清单：

检查你目前的工具链，找出 3 个拖慢你迭代速度的环节。
学习一个能提升效率的新工具，并在本周的项目中试用。
建立一套自己的代码模板或脚手架，减少重复劳动。

六、其他亮点

除了以上 5 点，《黑客与画家》里还有很多值得反复咀嚼的思想。

6.1 “不能说的话"与创新

Graham 提醒我们，社会上有一些"不能说的话”。真正重要的新思想，往往在最初都是冒犯的、反常的。

创业者不需要刻意叛逆，但要保持独立思考：

为什么大家都这样做？
这个假设真的成立吗？
如果我换一种方式，会不会更好？

✅ 正面：Tesla 质疑“电动车不可能高端”

2008 年，当 Tesla 推出 Roadster 时，主流汽车行业的共识是：电动车只能是廉价、短途、小众的代步工具。Elon Musk 和团队质疑了这个假设：

为什么电动车不能先做高端跑车？
为什么不能先从有钱的早期采用者切入？
为什么电池技术不能通过规模化持续降本？

Tesla 的“离经叛道”最终重塑了整个汽车行业。这个案例说明：真正重要的创新，往往始于对共识的质疑。

❌ 反面：Segway 的创新没有真实场景

Segway 在 2001 年发布时被寄予厚望，甚至被称为“个人交通的未来”。但它的问题在于：

它解决的是一个想象中的需求（城市短途出行），而非真实痛点；
价格昂贵、使用场景受法规限制、社交接受度不高；
创始人对产品的热情，没有转化为大众市场的真实需求。

Segway 最终被一家中国公司收购，主要用于旅游观光和特定 B 端场景。它提醒我们：质疑共识很重要，但质疑之后还要验证需求是否真的存在。

6.2 品位是可以训练的

Graham 认为，设计不仅仅是外观，设计是事物如何运转。好的黑客必须有好品位，而好品位来自：

大量看好作品；
大量做作品并接收反馈；
持续反思"什么是更好的"。

对创业程序员来说，“品位"体现在：

产品界面是否简洁；
API 是否优雅；
用户流程是否自然；
代码是否容易维护。

✅ 正面：Apple 把“品位”变成护城河

Steve Jobs 回归苹果后，第一件事就是砍掉大量杂乱的产品线，把设计品位提升到公司战略层面。iPod、iPhone、MacBook 的成功，不只是功能领先，更是因为：

界面和交互经过反复打磨；
硬件和软件高度统一；
用户从开箱到使用都能感受到细节。

Apple 的利润率长期高于同行，很大程度上来自“品位”带来的品牌溢价和用户忠诚度。

❌ 反面：MySpace 因设计失控被 Facebook 取代

MySpace 曾是全球最大的社交网站，但它的页面设计逐渐失控：

用户可以自由定制 HTML，导致页面杂乱、加载慢；
产品功能越堆越多，核心体验变得模糊；
Facebook 以简洁、统一的界面吸引了大量用户迁移。

MySpace 的衰落有很多原因，但“品位”的缺失是重要一环。它说明：设计的混乱会传导为产品定位的混乱，最终失去用户。

6.3 学校教不了你创业

Graham 对传统教育持批判态度。他认为学校擅长培养"听话的员工”，但不擅长培养"能创造新事物的人"。

这不是说读书无用，而是说：

创业真正需要的技能——发现需求、快速学习、承担不确定性、组建团队——大多要在实战中学。

✅ 正面：Mark Zuckerberg 在宿舍里验证需求

Mark Zuckerberg 在哈佛大学宿舍创办 Facebook 时，并没有先去读 MBA，也没有写一份商业计划书。他做的第一件事是：

快速做出一个粗糙的网站，让哈佛学生给同学照片打分；
观察用户行为，发现真实需求是“了解身边人的动态”；
在真实使用中不断迭代，而不是在会议室里推演。

Facebook 最早的版本功能非常简单，但它验证了一个真实存在的需求。Zuckerberg 的成功不是来自学校，而是来自快速行动和持续学习。

❌ 反面：许多 MBA 创业者的“完美计划”落空

硅谷并不缺名校 MBA 毕业生带着精美的商业计划书和 PPT 创业。但很多人失败的原因是：

过度依赖理论和模型，脱离真实用户；
花太多时间写计划，太少时间验证假设；
擅长融资讲故事，但不擅长做出有人用的产品。

这不是说 MBA 无用，而是说：创业的核心能力只能在实战中锻炼，书本和计划无法替代用户反馈。

6.4 有钱和创造财富是两回事

Graham 区分了"赚钱"和"创造财富"。赚钱可能是套利、投机、截流；创造财富是真正让社会总福利增加。

创业程序员最值得追求的，不是短期套现，而是持续创造价值的能力。

✅ 正面：Salesforce 创造了 CRM 云市场

Salesforce 创办时，企业软件的主流模式是卖光盘、本地部署、收取高额维护费。Marc Benioff 提出“No Software”口号，把 CRM 搬到云端：

企业不再需要自己买服务器、雇 IT 维护；
按月订阅，降低了中小企业的使用门槛；
创造了一个全新的 SaaS 市场，让 Salesforce 和无数企业共同受益。

Salesforce 的成功不是套利，而是创造了新的价值形态。

❌ 反面：WeWork 把“包装”当成价值创造

WeWork 曾是硅谷最具话题性的公司之一，估值一度高达 470 亿美元。但它的问题在于：

它本质上是一家二房东，却把自己包装成“科技公司”；

注：WeWork 不是严格意义上的硅谷纯科技公司，但其融资和叙事深受硅谷影响。
高速增长靠烧钱和复杂金融操作支撑；
没有真正的技术护城河，用户迁移成本很低。

WeWork 上市后估值暴跌，成为“资本运作大于价值创造”的典型反面教材。它提醒我们：有钱、有估值、有故事，都不等于创造了真正的财富。

七、给新人的一句话总结

把自己当成一个用代码创作作品的艺术家，而不是一个等待任务分配的工人。

技术是手段，产品是作品，财富是作品被需要之后的结果。创业不是冲动，而是一套可以被训练的思维习惯：

观察自己的不满，找到真实需求；
用艺术思维打磨产品，而不是只堆功能；
用算法和工具放大个人产出；
小步快跑，先服务少数人，再考虑规模化；
持续创造价值，而不是只追求赚钱。

《黑客与画家》最有价值的地方，不是给了一个成功公式，而是让我们重新理解：写代码可以是一种创造性的工作，而创业，是把这种创造力商业化的最好方式之一。